Система пасивного виявлення та класифікації мін за допомогою глибокої нейронної мережі

Abstract

Виявлення мін є постійною і зростаючою проблемою, яка стосується мільйонів людей у всьому світі через величезну небезпеку, яку міни становлять для людини. Досі приблизно 61 країна та територія по всьому світу забруднені наземними мінами, і тисячі людей продовжують жити з цією щоденною загрозою втрати життя чи тіла [1]. Україна – одна з найбільш замінованих країн у світі. Навіть до початку повномасштабного військового вторгнення росії 1,8 мільйона українців перебували в оточенні мін з 2014 року. Про це повідомляє Управління ООН з координації гуманітарних місій в Україні [2]. Пресслужба ДСНС в офіційному телеграм каналі поінформувала, що в Україні залишається близько 175 тис. кв. км потенційно небезпечних територій щодо вибухонебезпечних предметів, що становить 30% від загальної площі держави. Тому розробка ефективної системи пасивного виявлення та розпізнавання мін на основі глибинного навчання є актуальною задачею. Сьогодні міни виявляють за допомогою різних методів, які використовують активні датчики. Хоча активні датчики наземних мін часто використовуються з міркувань продуктивності, вони можуть спричинити ненавмисні вибухи наземних мін, оскільки вони працюють з переданими та відбитими електромагнітними сигналами. Іншим способом виявлення мін без спрацьовування підривних механізмів є використання пасивних детекторів. У статті було використано дані з дослідження [3]. У дослідженні описано експеримент над генерацією даних пасивного виявлення мін, класифікацією мін на основі характеристик аномлії магнітного поля, глибини та типу ґрунту. Також проведено аналіз залежності значення аномалії магнітного поля від типу ґрунту та глибини, описано загальну тенденцію зміни цього значення для кожної з мін. Для вимірювання магнітної аномалії в околі міни, що знаходиться в землі було використано ферозондовий сенсор FLC100 [4]. Пасивне виявлення та класифікація мін на основі гібридної моделі k-NN показують точність 98,2%, середній показник точності на основі штучної нейронної мережі становив 95,5%. Мета роботи – це розробити оптимальну структуру нейронної мережі для ефективного розпізнавання мін. Основна задача системи – класифікація мін за допомогою глибокої штучної нейронної мережі. Об'єктом дослідження є процес класифікації. Предметом дослідження є методи та засоби створення системи класифікації мін під час виконання бойового завдання чи розмінування службами захисту населення. Зокрема досліджується процес класифікації за допомогою глибинної штучної нейронної мережі із одним та двома прихованими шарами, згортковою нейронною мережею. У цій роботі було описано систему пасивного виявлення та класифікації мін за допомогою глибинної нейронної мержі. Були розроблені моделі нейронних мереж з 1-м та 2-ма прихованими шарами. Моделі мали точність 97.9% та 99,2% відповідно. Нейронна мережа з одним прихованим шаром має меншу точність ніж з 2-ма, однак перша менш апаратно затратна під час навчання. У дослідження було досягнуто точності класифікації мін 99,2%, що на 1% більше ніж у аналогічному з використанням евристичного алгоритму k-NN, розробленого з нечіткою метрикою. Порівняно з дослідженням [3] було досягнути такі результати окрім вищих показників accuracy: 1. За показниками на діаграмі Heatmap, значно менше неправильно спрогнозованих класів: показники правильно класифікованих для кожного класу понад 180, а неправильно класифікованих загалом менше 10. 2. Процес навчання нейронної мережі з двома прихованими шарами є більш швидким. Таким чином буде можливість навчати модель швидше, а її точність зростатиме швидше ніж нейронна мережа з одним прихованим шаром. 3. Значення ROC кривих є вищими ніж у аналогічному дослідження нейронної мережі з одним прихованим шаром. 4. Досягнуто показника AUC понад 0.99, що показує високу ефективність у класифікації кожного класу міни. Модель нейронної мережі чітко відрізняє один тип міни від іншої. 5. Показник F1 є на високому рівні і сягає значення більше 0.8, що означає низьку кількість класифікованих false negative та false positive. 6. Показники втрат для нейронної мережі сягають значення менше 0.1, у порівнняні з показниками з іншого дослідження, де вони набували максимального значення при показнику 0.1. Що означає ефективне навчання нейронної мережі.Mine detection is an ongoing and growing problem that affects millions of people around the world because of the enormous danger that mines pose to humans. There are still approximately 61 countries and territories around the world contaminated by landmines, and thousands of people continue to live with this daily threat of loss of life or limb [1]. Ukraine is one of the most mined countries in the world. Even before the start of the full-scale Russian military invasion, 1.8 million Ukrainians were surrounded by landmines since 2014. This was reported by the UN Office for the Coordination of Humanitarian Missions in Ukraine [2]. In the official Telegram channel, the press service of the State Emergency Service informed that there are about 175,000 square meters left in Ukraine. km of potentially dangerous areas with regard to explosive objects, which is 30% of the total area of the state. Therefore, the development of an effective system of passive detection and recognition of mines based on deep learning is an urgent task. Today, mines are detected using various methods that use active sensors. Although active landmine sensors are often used for performance reasons, they can cause unintended landmine detonations because they operate on transmitted and reflected electromagnetic signals. Another way to detect mines without detonating mechanisms is the use of passive detectors. The article used data from the study [3]. The study describes an experiment on passive mine detection data generation, mine classification based on magnetic field anomaly characteristics, depth and soil type. An analysis of the dependence of the value of the magnetic field anomaly on the type of soil and depth was also performed, and the general trend of changes in this value for each of the mines was described. FLC100 ferrosonde sensor was used to measure the magnetic anomaly in the vicinity of the mine located in the ground [4]. Passive detection and classification of mines based on the k-NN hybrid model show an accuracy of 98.2%, the average accuracy rate based on artificial neural network was 95.5%. The goal of the work is to develop an optimal neural network structure for effective mine recognition. The main task of the system is the classification of mines using a deep artificial neural network. The object of research is the process of classification. The subject of the research is the methods and means of creating a system of classification of mines during the execution of a combat mission or demining by the public protection services. In particular, the classification process is investigated using a deep artificial neural network with one and two hidden layers, a convolutional neural network. In this work, a system of passive detection and classification of mines using a deep neural network was described. Neural network models with 1st and 2nd hidden layers were developed. The models had an accuracy of 97.9% and 99.2%, respectively. A neural network with one hidden layer has lower accuracy than with 2, but the first one is less expensive in terms of hardware during training. The study achieved a mine classification accuracy of 99.2%, which is 1% more than a similar one using the k-NN heuristic algorithm developed with a fuzzy metric. Compared to the study [3], the following results were achieved in addition to higher accuracy indicators: 1. According to the indicators in the Heatmap chart, there are significantly fewer incorrectly predicted classes: the number of correctly classified for each class is more than 180, and the number of incorrectly classified is less than 10 in total. 2. The learning process of a neural network with two hidden layers is faster. In this way, it will be possible to train the model faster, and its accuracy will increase faster than a neural network with one hidden layer. 3. The values of ROC curves are higher than in a similar study of a neural network with one hidden layer. 4. An AUC of over 0.99 was achieved, which shows high efficiency in the classification of each mine class. The neural network model clearly distinguishes one type of mine from another. 5. The F1 indicator is at a high level and reaches a value of more than 0.8, which means a low number of classified false negatives and false positives. 6. Loss indicators for the neural network reach a value of less than 0.1, in comparison with indicators from another study, where they acquired a maximum value at an indicator of 0.1.