Інформаційна система для виявлення мін за допомогою осциляторної згорткової нейронної мережі Хопфа

Abstract

Проблема мінного забруднення територій є однією з найгостріших в Україні через воєнні дії, що потребує створення ефективних технологій для безпечного розмінування. У роботі розроблено інформаційну систему для автоматичного виявлення мін у B-сканах георадару з використанням осциляторної згорткової нейронної мережі Хопфа (OCNN-Hopf), яка моделює динамічні сигнали для підвищення точності класифікації [1]. Об’єкт дослідження – процес виявлення мін у різних середовищах (ґрунт, вода) за допомогою сенсорних технологій і штучного інтелекту. Предмет дослідження – інформаційна система на основі OCNN-Hopf для аналізу та обробки радарних даних з метою ідентифікації вибухонебезпечних об’єктів. Мета дослідження – розробка системи, яка забезпечує точність виявлення мін не нижче 85% і мінімізує кількість пропущених об’єктів (FNR ? 1%) для підвищення безпеки розмінування [2]. У роботі проаналізовано традиційні методи виявлення мін (металодетектори, GPR, інфрачервоне випромінювання), які мають обмеження, такі як неефективність для пластикових мін і залежність від умов середовища [3]. Запропоновано нову архітектуру OCNN-Hopf, що інтегрує згорткові шари, механізми уваги та шар осциляторів Хопфа для моделювання часових залежностей у сигналах [4]. Система реалізована на Python з використанням TensorFlow/Keras, включає модулі попередньої обробки, аугментації даних і класифікації патчів розміром 64?64?1. Тестування на симульованих даних показало точність 86% на тестовій вибірці, валідаційну точність 91.41% і recall для класу мін 1.00, що підтверджує надійність системи [5]. Адаптивна фокальна втрата та колбеки для оптимізації порогу класифікації забезпечили баланс між precision і recall. Результати можуть бути застосовані в гуманітарному розмінуванні та військових операціях, сприяючи відновленню територій України. Наукова новизна полягає в інтеграції динамічних моделей Хопфа з згортковими мережами, що підвищує адаптивність до змінних умов. Практичне значення – створення прототипу для автоматизованого розмінування з потенціалом інтеграції в реальні георадарні системи.

The problem of mine contamination of territories is one of the most acute in Ukraine due to military operations, which requires the creation of effective technologies for safe demining. In this work, an information system for automatic mine detection in GPR B-scan images was developed using an oscillatory convolutional neural network Hopf (OCNN-Hopf), which models dynamic signals to improve classification accuracy [1]. The object of research is the process of detecting mines in various environments (soil, water) using sensor technologies and artificial intelligence. The subject of the study is an information system based on OCNN-Hopf for analyzing and processing radar data to identify explosive objects. The purpose of the study is to develop a system that ensures mine detection accuracy of at least 85% and minimizes the number of missed objects (FNR ? 1%) to improve mine clearance safety [2]. The paper analyzes traditional mine detection methods (metal detectors, GPR, infrared radiation), which have limitations such as inefficiency for plastic mines and dependence on environmental conditions [3]. A new OCNN-Hopf architecture has been proposed that integrates convolutional layers, attention mechanisms, and a Hopf oscillator layer to model time dependencies in signals [4]. The system is implemented in Python using TensorFlow/Keras and includes modules for preprocessing, data augmentation, and patch classification of 64?64?1 size. Testing on simulated data showed an accuracy of 86% on the test sample, a validation accuracy of 91.41%, and a recall for the mine class of 1.00, which confirms the reliability of the system [5]. Adaptive focal loss and flasks to optimize the classification threshold ensured a balance between precision and recall. The results can be applied in humanitarian demining and military operations, contributing to the restoration of Ukraine's territories. The scientific novelty lies in the integration of dynamic Hopf models with convolutional networks, which increases adaptability to changing conditions. The practical significance is the creation of a prototype for automated demining with the potential for integration into real georadar systems.