Інтелектуальна інформаційна система розпізнавання наземних мін на основі глибинного навчання

Abstract

Проблема наземних мін є однією з найбільш гострих глобальних загроз, що призводить до значних людських жертв та економічних збитків, особливо в Україні через широкомасштабне забруднення території внаслідок російського вторгення в Україну [1,4]. Традиційні методи виявлення, такі як металодетектори, неефективні проти сучасних мін з низьким вмістом металу або пластиковим корпусом та мають високий рівень хибних спрацювань [1,3,4]. Активні методи детекції несуть прямий ризик детонації [1,2,3,4]. Це обґрунтовує нагальну потребу в розробці безпечніших та ефективніших пасивних технологій виявлення. Об’єкт дослідження – процес виявлення та класифікації наземних мін за допомогою аналізу даних від пасивних сенсорів на основі згорткової нейронної мережі. Предмет дослідження – сама інтелектуальна інформаційна система та методи глибинного навчання для аналізу магнітних аномалій з урахуванням характеристик середовища. Мета роботи: розробка інтелектуальної інформаційної системи розпізнавання наземних мін на основі глибинного навчання, що використовує дані пасивних магнітних сенсорів. Робота базується на пасивних методах детекції, зокрема магнітометрії, яка виявляє аномалії магнітного поля, спричинені мінами, та застосуванні згорткових нейронних мереж (CNN) як ефективного інструменту для вилучення складних ознак із структурованих даних. Вхідними даними для системи є показники пасивного магнітного сенсора (типу FLC-100), дані про тип ґрунту та висоту сенсора над поверхнею. Ці дані перетворюються у специфічну двовимірну матрицю ознак, яка подається на вхід CNN. Модель CNN навчалась на даних з публічного репозиторію UCI Land Mines, доповнених згенерованими даними, з використанням фреймворку PyTorch. Для реалізації системи обрано повністю автономний варіант (Edge AI), що забезпечує надійність, швидкість реакції та безпеку даних в польових умовах, на відміну від хмарно-орієнтованого підходу. Розробка здійснена за допомогою мови програмування Python. Для оптимізації та ефективного виконання навченої моделі CNN на цільових пристроях використано інструментарій OpenVINO Toolkit. Система може бути розгорнута на персональних комп'ютерах та периферійних Edge AI пристроях (ARM64, x86_64). У рамках роботи розроблено функціональний прототип програмної системи з графічним інтерфейсом користувача на базі Tkinter, що дозволяє обирати тип ґрунту, модель, обробляти дані сенсорів (у поточній версії статичні/генеровані) та отримувати результат класифікації. Тестування навченої моделі показало високі метрики ефективності: точність (Accuracy) ~98% та зважені середні показники Precision, Recall, F1-score ~0.9862. Наукова новизна полягає у запропонованому підході обробки комбінованої матриці ознак CNN, розробці методу глибинного навчання для розгортання на Edge AI за допомогою OpenVINO. Практична значущість системи полягає у потенціалі підвищення ефективності та безпеки процесів розмінування, що особливо актуально в поточній ситуації в Україні. Система може бути основою для подальших розробок та допоміжним засобом для фахівців. Серед обмежень поточної версії – використання статичних/генерованих даних в інтерфейсі та залежність від якості зовнішніх моделей. Напрямки подальшого розвитку включають інтеграцію з реальними сенсорами, розширення підтримки моделей, візуалізацію даних, аналіз продуктивності на обладнанні та польові випробування. Таким чином, поставлену мету роботи було успішно досягнуто.

The problem of landmines is one of the most acute global threats, leading to significant human casualties and economic losses, especially in Ukraine due to large-scale territory contamination resulting from the Russian invasion of Ukraine [1,4]. Traditional detection methods, such as metal detectors, are ineffective against modern mines with low metal content or plastic casings and have a high false alarm rate [1,3,4]. Active detection methods carry a direct risk of detonation [1,2,3,4]. This substantiates the urgent need for the development of safer and more effective passive detection technologies. The object of research is the process of detecting and classifying landmines by analyzing data from passive sensors using a convolutional neural network. The subject of research is the intelligent information system itself and deep learning methods for analyzing magnetic anomalies, considering environmental characteristics. The goal of the work is to develop an intelligent information system for landmine recognition based on deep learning, utilizing data from passive magnetic sensors. The work is based on passive detection methods, particularly magnetometry, which detects magnetic field anomalies caused by mines, and the application of convolutional neural networks (CNNs) as an effective tool for extracting complex features from structured data. The input data for the system are readings from a passive magnetic sensor (FLC-100 type), data on soil type, and sensor height above the surface. This data is transformed into a specific two-dimensional feature matrix, which is fed into the CNN. The CNN model was trained on data from the public UCI Land Mines repository, augmented with generated data, using the PyTorch framework. A fully autonomous option (Edge AI) was chosen for system implementation, ensuring reliability, rapid response, and data security in field conditions, as opposed to a cloud-oriented approach. Development was carried out using the Python programming language. The OpenVINO Toolkit was used for optimizing and efficiently executing the trained CNN model on target devices. The system can be deployed on personal computers and peripheral Edge AI devices (ARM64, x86_64). Within the scope of this work, a functional software system prototype with a graphical user interface based on Tkinter was developed, allowing users to select soil type, model, process sensor data (currently static/generated in this version), and obtain classification results. Testing of the trained model demonstrated high efficiency metrics: Accuracy ~98% and weighted average Precision, Recall, F1-score ~0.9862. The scientific novelty lies in the proposed approach for processing a combined feature matrix by CNN and the development of a deep learning method for deployment on Edge AI using OpenVINO. The practical significance of the system lies in its potential to enhance the efficiency and safety of demining processes, which is particularly relevant in the current situation in Ukraine. The system can serve as a basis for further developments and as an auxiliary tool for specialists. Limitations of the current version include the use of static/generated data in the interface and dependence on the quality of external models. Future development directions include integration with real sensors, expanding model support, data visualization, performance analysis on hardware, and field trials. Thus, the aim of the work was successfully achieved.