Machine-Learning-Drohnen erkennen Butterfly-Landminen in Post-Konflikt-Zonen

Mithilfe fortgeschrittener Machine-Learning-Methoden könnten Drohnen eingesetzt werden, um gefährliche „Butterfly“-Landminen in abgelegenen Regionen postkonfliktärer Länder zu detektieren. Forscher hatten zuvor eine Methode entwickelt, die eine hochpräzise Erkennung von Butterfly-Landminen mittels kostengünstiger kommerzieller Drohnen mit Infrarotkameras ermöglichte. Die neue Forschung konzentriert sich auf die automatisierte Erkennung von Landminen mithilfe von Convolutional Neural Networks (CNNs), der Standard-Machine-Learning-Methode für Objekterkennung und -klassifizierung im Fernerkundungsbereich.

Die frühere Arbeit beruhte auf manuellem Scannen des Datensatzes mit dem menschlichen Auge. Schnelle drohnenunterstützte Kartierung und automatisierte Erkennung von Streuminenfeldern würden helfen, das tödliche Erbe des weitverbreiteten Einsatzes kleiner Streuminen in jüngsten bewaffneten Konflikten zu bewältigen und einen funktionalen Rahmen für die effektive Bekämpfung ihrer möglichen künftigen Nutzung zu schaffen.

Es wird geschätzt, dass es weltweit mindestens 100 Millionen militärische Munition und Sprengkörper verschiedener Größe, Form und Zusammensetzung gibt. Millionen davon sind oberflächennahe Plastiklandminen mit niedrigen Auslösedrücken, wie die massenproduzierte Butterfly-Landmine. Benannt nach ihrer geringen Größe und schmetterlingsähnlichen Form, sind diese Minen aufgrund ihrer geringen Größe, niedrigen Auslösemasse und vor allem eines Designs, das weitgehend auf Metallkomponenten verzichtet, extrem schwer zu orten und zu räumen – sie sind für Metalldetektoren praktisch unsichtbar. Das Design der Mine in Kombination mit einem niedrigen Auslösegewicht brachte ihr den berüchtigten Namen „Spielzeugmine“ ein, da sie eine hohe Opferrate bei kleinen Kindern verursacht, die diese Geräte beim Spielen finden.

Die Forscher glauben, dass diese Erkennungs- und Kartierungstechniken verallgemeinerbar und auf andere Munition und Sprengstoffe übertragbar sind; beispielsweise könnten sie angepasst werden, um gestörten Boden für improvisierte Sprengsätze (IEDs) zu detektieren 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 sie viel schneller als das manuelle Zählen von Landminen aus einem Orthobild (d. h. einem geometrisch korrigierten Luftbild). Zweitens ist sie quantitativ und reproduzierbar, im Gegensatz zur subjektiven, fehleranfälligen visuellen Erkennung durch Menschen. Und drittens lassen sich CNN-basierte Methoden leicht verallgemeinern, um beliebige Objekte mit eindeutigen Größen und Formen aus beliebigen fernerkundeten Rasterbildern zu erkennen und zu kartieren.