Drohnen nutzen maschinelles Lernen, um Landminen aufzuspüren

Durch fortschrittliches maschinelles Lernen könnten Drohnen eingesetzt werden, um gefährliche „Schmetterlings“-Landminen in abgelegenen Regionen von Post-Konflikt-Ländern aufzuspüren. Die Forscher hatten zuvor eine Methode entwickelt, die eine hochgenaue Erkennung von Schmetterlingslandminen mit kostengünstigen kommerziellen Drohnen ermöglichte, die mit Infrarotkameras ausgestattet waren. Neue Forschungsarbeiten konzentrieren sich auf die automatisierte Erkennung von Landminen unter Verwendung von Convolutional Neural Networks, der Standardmethode des maschinellen Lernens zur Objekterkennung und -klassifizierung im Bereich der Fernerkundung.

Die vorherige Arbeit stützte sich auf das Scannen des Datensatzes mit dem menschlichen Auge. Eine schnelle drohnengestützte Kartierung und automatisierte Erkennung von Streuminenfeldern würde dazu beitragen, das tödliche Erbe des weit verbreiteten Einsatzes kleiner Streuminen in den jüngsten bewaffneten Konflikten anzugehen und die Entwicklung eines funktionalen Rahmens zu ermöglichen, um ihre mögliche zukünftige Verwendung effektiv anzugehen.

Es wird geschätzt, dass es weltweit mindestens 100 Millionen militärische Munition und Sprengkörper unterschiedlicher Größe, Form und Zusammensetzung gibt. Millionen davon sind Oberflächenlandminen aus Kunststoff mit Niederdruckauslösern, wie die massenproduzierte Schmetterlingslandmine. Diese Minen, die wegen ihrer geringen Größe und schmetterlingsähnlichen Form Spitznamen tragen, sind aufgrund ihrer geringen Größe, geringen Auslösemasse und vor allem eines Designs, das Metallkomponenten weitgehend ausschließt, äußerst schwer zu lokalisieren und zu beseitigen, wodurch diese Geräte für Metalldetektoren praktisch unsichtbar werden . Das Design der Mine, kombiniert mit einem geringen Auslösegewicht, brachte ihr aufgrund einer hohen Opferrate unter Kleinkindern, die diese Geräte beim Spielen finden, einen Bekanntheitsgrad als „Spielzeugmine“ ein.

Die Forscher glauben, dass diese Erkennungs- und Kartierungstechniken verallgemeinerbar und auf andere besorgniserregende Munition und Sprengstoffe übertragbar sind; Beispielsweise könnten sie angepasst werden, um aufgewirbelten Boden für unkonventionelle Sprengvorrichtungen (IEDs) zu erkennen und zu kartieren.

Die Verwendung von Convolutional Neural Network (CNN)-basierten Ansätzen zur Automatisierung der Erkennung und Kartierung von Landminen ist aus mehreren Gründen wichtig. Erstens ist es viel schneller als das manuelle Zählen von Landminen aus einem Orthobild (d. h. einem geometrisch korrigierten Luftbild). Zweitens ist es quantitativ und reproduzierbar, im Gegensatz zur subjektiven, zu menschlichen Fehlern neigenden okularen Erkennung. Und drittens sind CNN-basierte Methoden leicht verallgemeinerbar, um beliebige Objekte mit unterschiedlichen Größen und Formen aus beliebigen Fernerkundungsrasterbildern zu erkennen und abzubilden.