Визначення ефективності використання тривимірного друку для навчання систем комп’ютерного зору з виявлення мін
DOI:
https://doi.org/10.15587/1729-4061.2024.311602Ключові слова:
виявлення наземних мін, наземні міни, гуманітарне розмінування, тривимірний друк наземних мін, розмінуванняАнотація
Об’єктом даного дослідження є ефективність використання тривимірного друку для навчання моделей комп’ютерного зору з метою виявлення наземних мін. Тривала війна в Україні призвела до значного мінування територій, особливо після повномасштабного вторгнення росії у 2022 році. Значна площа потенційно замінованих територій країни вимагає швидких та ефективних методів розмінування, оскільки традиційні методи, такі як металошукачі та ручне зондування, є повільними та трудомісткими. Машинне навчання пропонує перспективні рішення для прискорення процесу виявлення мін шляхом розгортання моделей розпізнавання на роботах та безпілотних летальних апаратах. Однак тренування моделей для виявлення вибухонебезпечних предметів стикається з серйозними труднощами. По-перше, існує обмежена кількість відкритих даних для тренування. По-друге, використання справжніх або навіть знешкоджених мін є небезпечним через можливість випадкової детонації.
Це дослідження спрямоване на подолання проблеми обмеженої кількості даних та ризику використання справжніх мін. Тривимірний друк дозволяє створювати безпечні та різноманітні дані, що є ключовим фактором для підвищення ефективності моделей виявлення мін. Модель, навчена на копіях мін, досягла 98 % та 91 % влучності на друкованих та реальних мінах відповідно. Висока влучність моделі пояснюється реалістичністю копій та використанням передових алгоритмів машинного навчання. Отримані результати дозволили вирішити досліджувану проблему завдяки безпеці, доступності та різноманітності копій. Моделі, навчені на копіях мін, можна використовувати при гуманітарному розмінуванні, визначаючи ті міни, які закидаються дистанційно, виставляються на поверхні або частково приховані
Посилання
- Landmine Monitor 2023. Available at: https://backend.icblcmc.org/assets/reports/Landmine-Monitors/LMM2023/Downloads/Landmine-Monitor-2023_web.pdf
- Two SES cadets killed in an explosion in Kharkiv region: what is known. Available at: https://suspilne.media/kharkiv/493801-dvoe-kursantiv-dsns-zaginuli-pid-cas-vibuhu-na-harkivsini-so-vidomo
- Barnawi, A., Kumar, K., Kumar, N., Alzahrani, B., Almansour, A. (2024). A Deep Learning Approach for Landmines Detection Based on Airborne Magnetometry Imaging and Edge Computing. Computer Modeling in Engineering & Sciences, 139 (2), 2117–2137. https://doi.org/10.32604/cmes.2023.044184
- Bestagini, P., Lombardi, F., Lualdi, M., Picetti, F., Tubaro, S. (2021). Landmine Detection Using Autoencoders on Multipolarization GPR Volumetric Data. IEEE Transactions on Geoscience and Remote Sensing, 59 (1), 182–195. https://doi.org/10.1109/tgrs.2020.2984951
- Mochurad, L., Savchyn, V., Kravchenko, O. (2023). Recognition of Explosive Devices Based on the Detectors Signal Using Machine Learning Methods. Proceedings of the 4th International Workshop on Intelligent Information Technologies & Systems of Information Security. https://ceur-ws.org/Vol-3373/paper14.pdf
- Bai, X., Yang, Y., Wei, S., Chen, G., Li, H., Li, Y. et al. (2023). A Comprehensive Review of Conventional and Deep Learning Approaches for Ground-Penetrating Radar Detection of Raw Data. Applied Sciences, 13 (13), 7992. https://doi.org/10.3390/app13137992
- Lameri, S., Lombardi, F., Bestagini, P., Lualdi, M., Tubaro, S. (2017). Landmine detection from GPR data using convolutional neural networks. 2017 25th European Signal Processing Conference (EUSIPCO). https://doi.org/10.23919/eusipco.2017.8081259
- gprMax. Available at: https://www.gprmax.com
- Srimuk, P., Boonpoonga, A., Kaemarungsi, K., Athikulwongse, K., Dentri, S. (2022). Implementation of and Experimentation with Ground-Penetrating Radar for Real-Time Automatic Detection of Buried Improvised Explosive Devices. Sensors, 22 (22), 8710. https://doi.org/10.3390/s22228710
- Pryshchenko, O. A., Plakhtii, V., Dumin, O. M., Pochanin, G. P., Ruban, V. P., Capineri, L., Crawford, F. (2022). Implementation of an Artificial Intelligence Approach to GPR Systems for Landmine Detection. Remote Sensing, 14 (17), 4421. https://doi.org/10.3390/rs14174421
- Kunichik, O., Tereshchenko, V. (2023). Improving the accuracy of landmine detection using data augmentation: a comprehensive study. Artificial Intelligence, 28 (AI.2023.28 (2))), 42–54. https://doi.org/10.15407/jai2023.02.042
- Baur, J., Steinberg, G., Nikulin, A., Chiu, K., de Smet, T. S. (2020). Applying Deep Learning to Automate UAV-Based Detection of Scatterable Landmines. Remote Sensing, 12 (5), 859. https://doi.org/10.3390/rs12050859
- Barnawi, A., Kumar, krishan, Kumar, N., al zahrani, B., Almansour, A. (2023). A Graph Learning Framework for Prediction of Missing Landmines Using Airborne Magnetometry in Iot Environment. https://doi.org/10.2139/ssrn.4526746
- Kunichik, O., Tereshchenko, V. (2022). Analysis of modern methods of search and classification of explosive objects. Artificial Intelligence, 27 (AI.2022.27 (2)), 52–59. https://doi.org/10.15407/jai2022.02.052
- Pahadia, H., Lu, D., Chakravarthi, B., Yang, Y. (2023). SKoPe3D: A Synthetic Dataset for Vehicle Keypoint Perception in 3D from Traffic Monitoring Cameras. 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC), 28, 4367–4372. https://doi.org/10.1109/itsc57777.2023.10422667
- Didur, O. L., Shevchenko, M. S. (2023). MINY: yaki vykorystovuiutsia abo mozhut vykorystovuvatysia viyskamy rosiiskykh zaharbnykiv na sukhoputnomu teatri boiovykh diy. Konsultant: Hlokoza V.H. Aktualizovano – Lisnyk. Available at: https://shron1.chtyvo.org.ua/Didur_Oleksandr/Miny_iaki_vykorystovuiutsia_abo_mozhut_vykorystovuvatysia_viiskamy_rosiiskykh_zaharbnykiv_na_sukhopu.pdf?PHPSESSID=7r7ecak3135fa9kap9uoqltok6
- Anti-Personnel Landmines Convention. Available at: https://disarmament.unoda.org/anti-personnel-landmines-convention
- Community, B. O. (2018). Blender – a 3D modelling and rendering package, Stichting Blender Foundation, Amsterdam. Available at: http://www.blender.org
- GNU Image Manipulation Program. Available at: https://www.gimp.org/about
- Prusa Research. Available at: https://www.prusa3d.com/page/about-us_77
- PMN AP MINE (Historical Prop) by mussy is licensed under the Creative Commons - Attribution - Non-Commercial - No Derivatives license. Available at: https://www.thingiverse.com/thing:3157971
- PMN-2. by _-HB-_ is licensed under the Creative Commons - Attribution license. Available at: https://www.thingiverse.com/thing:5777217
- PMN-2 Landmine. Available at: https://mmf.io/o/98395
- OZM-72 Anti-Personnel Mine Gameready Lowpoly. Available at: https://sketchfab.com/3d-models/ozm-72-anti-personnel-mine-gameready-lowpoly-9226037a15ab47bd9fb08ed434ea1ae8
- MON-50. МОН-50. Soviet claymore shaped AP-mine. Available at: https://sketchfab.com/3d-models/mon-50-50-soviet-claymore-shaped-ap-mine-5a5da292827f41278df15e4fcee85807
- PFM-1 AP MINE (Historical Prop). Available at: https://www.thingiverse.com/thing:3660586
- Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/cvpr.2016.91
- Jocher, G., Qiu, J., Chaurasia, A. (2023). Ultralytics YOLO (Version 8.0.0) [Computer software]. Available at: https://github.com/ultralytics/ultralytics
- Reis, D., Kupec, J., Hong, J., Daoudi, A. (2023). Real-Time Flying Object Detection with YOLOv8. arXiv. Available at: https://doi.org/10.48550/arXiv.2305.09972
- Waite, J. R., Feng, J., Tavassoli, R., Harris, L., Tan, S. Y., Chakraborty, S., Sarkar, S. (2023). Active shooter detection and robust tracking utilizing supplemental synthetic data. arXiv. https://doi.org/10.48550/arXiv.2309.03381
- Lou, H., Liu, H., Bi, L., Liu, L., Guo, J., Gu, J. (2023). Bd-Yolo: Detection Algorithm for High-Resolution Remote Sensing Images. https://doi.org/10.2139/ssrn.4542996
- Kang, M., Ting, C.-M., Ting, F. F., Phan, R. C.-W. (2023). RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection. Medical Image Computing and Computer Assisted Intervention – MICCAI 2023, 600–610. https://doi.org/10.1007/978-3-031-43901-8_57
- Ang, G. J. N., Goil, A. K., Chan, H., Lew, J. J., Lee, X. C., Mustaff, R. B. A. et al. (2023). A Novel real-time arrhythmia detection model using YOLOv8. arXiv. https://doi.org/10.48550/arXiv.2305.16727
- Agarwal, V., Pichappa, A. G., Ramisetty, M., Murugan, B., Rajagopal, M. K. (2023). Suspicious Vehicle Detection Using Licence Plate Detection And Facial Feature Recognition. arXiv. https://doi.org/10.48550/arXiv.2304.14507
- Zhou, F., Deng, H., Xu, Q., Lan, X. (2023). CNTR-YOLO: Improved YOLOv5 Based on ConvNext and Transformer for Aircraft Detection in Remote Sensing Images. Electronics, 12 (12), 2671. https://doi.org/10.3390/electronics12122671
- Rublee, E., Rabaud, V., Konolige, K., Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. 2011 International Conference on Computer Vision. https://doi.org/10.1109/iccv.2011.6126544
- Alcantarilla, P., Nuevo, J., Bartoli, A. (2013). Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces. Proceedings of the British Machine Vision Conference 2013, 13.1-13.11. Available at: https://projet.liris.cnrs.fr/imagine/pub/proceedings/BMVC-2013/Papers/paper0013/paper0013.pdf
- Tan, M., Pang, R., Le, Q. V. (2020). EfficientDet: Scalable and Efficient Object Detection. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/cvpr42600.2020.01079
- Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., Zagoruyko, S. (2020). End-to-End Object Detection with Transformers. Computer Vision – ECCV 2020, 213–229. https://doi.org/10.1007/978-3-030-58452-8_13
- Zhu, X., Su, W., Lu, L., Li, B., Wang, X., Dai, J. (2020). Deformable DETR: Deformable Transformers for End-to-End Object Detection. arXiv. https://doi.org/10.48550/arXiv.2010.04159
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Oleksandr Kunichik, Vasyl Tereshchenko
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
