Система пасивного виявлення та класифікації мін за допомогою глибокої нейронної мережі
Автор: Волошин Сергій Ігорович
Кваліфікаційний рівень: магістр
Спеціальність: Аналіз даних (Data Science)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: 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. Ключові слова: глибока нейронна мережа, алгоритм оптимізації Адама, пасивне виявлення мін, попередня обробка даних, візуалізація даних. Перелік використаних літературних джерел. 1. International campaign to ban landmines. Landmine Monitor 2023. URL: http://www.the-monitor.org (дата звернення: 12.11.2023). 2. Лепеха Я. ООН: україна одна з найбільш замінованих країн у світі. URL: https://suspilne.media/225131-oon-ukraina-odna-z-najbils-zaminovanih-krain-u-sviti/ (дата звернення: 12.11.2023). 3. Yilmaz C., Kahraman H. T., Soyler S. "Passive Mine Detection and Classification Method Based on Hybrid Model," у журналі IEEE Access, том 6, c. 47870-47888, 2018. DOI: 10.1109/ACCESS.2018.2866538. 4. Yilmaz C., Sonmez Y., Kahraman H. T., Soyler S., Guvenc U., "Developing of decision support system for land mine classification by metaheuristic classifier," у Proc. Int. Symp. Innov. Intell. Syst. Appl. (INISTA), серпень 2016, с. 1–5.