ОПТИЧНЕ ВИЯВЛЕННЯ НАЗЕМНИХ МІН З ВИКОРИСТАННЯМ ГЛИБОКОГО НАВЧАННЯ НА ОСНОВІ ОБМЕЖЕНОГО НАБОРУ ДАНИХ АЕРОЗНІМАННЯ
DOI:
https://doi.org/10.18372/2310-5461.62.18708Ключові слова:
виявлення наземних мін, безпілотні літальні апарати, глибоке навчання, YOLOАнотація
Виявлення наземних мін є одним із найбільш інноваційних застосувань безпілотних літальних апаратів, що зобов’язане своєю появою швидкому розвитку як літальних апаратів, оснащених різними оптичними камерами та датчиками, що засновані на різних фізичних принципах, так і методів класифікації та виявлення об’єктів, включно з машинним навчанням та зокрема глибоким навчанням. Оптичне виявлення є важливою частиною цілісного процесу виявлення мін,і може виконуватися окремо або в поєднанні з обробкою даних з інших типів камер або датчиків. Розвиток глибоких згорткових нейронних мереж кардинально змінив стан речей у галузі оптичного виявлення, зробивши їх де-факто вибором номер один для більшості завдань класифікації, виявлення та сегментації об’єктів. Проте стримуючим фактором у випадку виявлення наземних мін є обмежена доступність відповідних даних для навчання, яку різні дослідники намагаються подолати різними способами. Визначення необхідного обсягу навчальних даних все ще залишається експериментальною задачею. Незважаючи на кілька років розвитку цієї галузі, все ще існує дефіцит досліджень, заснованих на реальних зображеннях наземних мін, отриманих з безпілотних літальних апаратів, тому наразі будь-які зусилля в цьому напрямку є цінними та служать джерелом натхнення для нових дослідників. У даній статті описане таке дослідження, а саме його перша ітерація, коли популярні інструменти з відкритим вихідним кодом використовуються для побудови системи виявлення, а їх ефективність оцінюється на базі обмеженої кількості даних. Показано, що проблема обмеженої кількості тренувальних даних може бути ефективно подолана нарощуванням даних, і продемонстровано ітераційний процес навчання оптичного детектора мін. Також продемонстровано ефективність використання вільно розповсюджуваних інструментів та бібліотек для тренування нейронних мереж, виявлення об’єктів та підготовки наборів даних.
Посилання
Osco, L.P., Junior, J.M., Ramos, A.P.M., Jorge, L.A.C., Fatholahi, S.N., Silva, J.A., … Li, J. (2021) A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observations and Geoinformation, 102 (2021)102456. https://doi.org/10.1016/j.jag.2021.102456
Popov, M.O., Stankevich, S.A., Mosov, S.P., Titarenko, O.V., Dugin, S.S., Golubov, S.I., Andreiev, A.A. (2022) Method for minefields mapping by imagery from unmanned aerial vehicle, Advances in Military Technology, 17(2), 211-229. https://doi.org/10.3849/aimt.01722
Baur, J., Steinberg, G., Nikulin, A., Chiu, K., Smet, T. (2020). Applying Deep Learning to Automate UAV-Based Detection of Scatterable Landmines. Remote Sensing. 12(859) https://doi.org/10.3390/rs12050859
Harvey, A., LeBrun, E. (2023) Computer vision detection of explosive ordnance: a high-performance 9N235/9N210 cluster submunition detector. The Journal of Conventional Weapons Destruction. 27(2).
Kunichik, O., Tereshchenko V. (2023) Improving the accuracy of landmine detection using data augmentation: a comprehensive study. Artificial Intelligence, 2023(2). https://doi.org/10.15407/jai2023.02.042
Cho S., Ma J., Yakimenko O.A. (2023) Aerial multi-spectral AI-based detection system for unexploded ordnance, Defence Technology, 27, 24-37, ISSN 2214-9147. https://doi.org/10.1016/j.dt.2022.12.002
Qiu, Z.; Guo, H.; Hu, J.; Jiang, H.; Luo, C. (2023) Joint Fusion and Detection via Deep Learning in UAV-Borne Multispectral Sensing of Scatterable Landmine. Sensors, 23(5693). https://doi.org/10.3390/s23125693
Vivoli, E., Bertini, M., Capineri, L. (2024) Deep Learning-Based Real-Time Detection of Surface Landmines Using Optical Imaging. Remote Sensing. 16(4):677. https://doi.org/10.3390/rs16040677
Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2016) YOLO: You Only Look Once: Unified, Real-Time Object Detection. arXiv 2016, arXiv:1506.02640. https://doi.org/10.48550/arXiv.1506.02640
Terven, J.R., Cordova-Esparza, D.M. A comprehensive review of YOLO architectures in computer vision: from YOLOv1 to YOLOv8 and YOLO-NAS. arXiv 2023, arXiv:2304.00501. https://doi.org/10.48550/arXiv.2304.00501
Ultralytics (2023) Ultralytics YOLOv8 - State-of-the-art Vision AI. Retrieved from https://www.ultralytics.com/yolo (access data 20.05.2024)
Durai, P. (2023) Exploring SAHI: Slicing Aided Hyper Inference for Small Object Detection, Learn OpenCV, Retrieved from https://learnopencv.com/slicing-aided-hyper-inference/ (access data 20.05.2024)
Akyon, F.C., Altinuc, S.O., Temizel, A. (2022) Slicing Aided Hyper Inference and Fine-Tuning for Small Object Detection. IEEE International Conference on Image Processing Proceedings, 2022, https://doi.org/10.1109/ICIP46576.2022.9897990 (access data 20.05.2024)
Label Studio. Open Source Data Labeling Platform. https://labelstud.io/ (access data 21.05.2024)
Albumentations: fast and flexible image augmentations. https://albumentations.ai/ (access data 21.05.2024)
Earth Sciences Faculty Scholarship |Earth Siences | Bindhamton University https://orb.binghamton.edu/geology_fac/ (access data 21.05.2024)
Roboflow Universe: Open Source Computer Vision Community https://universe.roboflow.com/ (access data 21.05.2024.
