Автор admin 
Для розгортання цієї технології в польових умовах знадобиться лише легкий ноутбук споживчого класу, дрон і камера, запевняють автори дослідження.
Читайте также: Без втручання людини. ШІ-платформа Reflect v1.0 навчила гуманоїдних роботів виконувати складні завдання
Сучасні протипіхотні міни невеликі та часто мають пластикові корпуси, які стандартні металошукачі не можуть зареєструвати. Геофізичні методи, такі як георадар, магнітометрія та електромагнітна індукція, значно менш ефективні з пластиковими мінами, ніж з металевими.
Особливе занепокоєння викликають так звані розсіювальні міни, призначені для розгортання на великих площах. Однією з широко використовуваних мін є ПФМ-1 радянських часів, відома як Пелюстка чи Метелик через свою характерну форму.
«Доглядати за пораненим солдатом важче, ніж за мертвим. Вони призначені для поранення, а не для вбивства. Вони спеціально розроблені з цією метою, і вся їхня конструкція розрахована на те, щоб їх не було видно», — пояснив доцент кафедри наук про Землю Бінгемтонського університету Алекс Нікулін.
Нова методика використовує алгоритми машинного навчання — штучний інтелект(ШІ) — для виявлення цих пластикових мін на великих площах.
У зонах активних бойових дій, таких як Україна, розсіювані міни часто ховаються близько до поверхні; однак у постконфліктних регіонах вони можуть з часом закопатися або бути прихованим у ландшафті, сказала випускниця геологічного факультету Бінгемтонського університету Шаріфа Карвандьяр. Оскільки пластикові міни зазвичай розміром з мобільний телефон, дрони, що використовуються для виявлення, повинні літати низько над землею — 10 або 20 метрів — щоб датчики могли досягти максимальної роздільної здатності.
«Це аналіз першого проходження, щоб визначити, чи є місцевість потенційно підозрілою небезпечною зоною», — сказав Карвандьяр. «Це відповідає стандартизованому процесу виявлення наземних мін».
У своїй магістерській дисертації Карвандьяр використовувала камеру, встановлену на дроні, та програмне забезпечення для зшивання зображень з низькою роздільною здатністю. Потім ці зображення були оброблені за допомогою алгоритму машинного навчання You Only Look Once(YOLO), який допоміг виявити потенційні міни.
Читайте также: Нова загроза. ШІ спрощує кібератаки, тому захист теж має використовувати штучний інтелект — експерт
Дослідники навчили алгоритм виявлення об’єктів YOLO, використовуючи інертні міни PFM-1, а також їх репліки, надруковані на 3D-принтері. Потім вони розмістили міни в різних частинах природного заповідника Бінгемтонського університету, створивши набір даних про те, як виглядатиме міна PFM-1 у різних середовищах, під різними кутами, в різних умовах та за різних умов освітлення, сказала Карвандьяр.
«Ми навчили дві різні моделі YOLO, щоб зрозуміти, як ми можемо зробити щось подібне готовим до польових умов», — сказала вона. «Одна модель була навчена лише на мінах PFM-1, а інша використовувалася для ідентифікації PFM-1 та додаткових випадкових об’єктів за допомогою стандартного набору даних».
Друга модель призвела до нижчих значень продуктивності, що, найімовірніше, відображає реальні результати, сказала вона. Зрештою, камери також фіксують елементи навколишнього середовища, такі як листя.
Значна частина обробки даних відбувається під час фази навчання алгоритму, яка триває від кількох годин до доби, залежно від кількості зображень. У польових умовах для розгортання знадобиться лише легкий ноутбук споживчого класу, дрон і камера. Це великий плюс: як країни з активними зіткненнями, так і постконфліктні періодами зазвичай мають проблеми з підключенням до Інтернету, чи то через відсутність цілісної інфраструктури, чи то через активне глушіння GPS та сигналу, як це спостерігається в Україні. Щоб бути корисною в польових умовах, система повинна працювати без залежності від з’єднання, що цей метод і робить.
Раніше NV Техно писав, що в 2024 році Матео Дульсе Рубіо, аспірант Університету Карнегі-Меллона, винайшов систему виявлення мін за допомогою штучного інтелекту. Він очолив розробку системи RELand — інноваційного інструменту, який допомагає гуманітарним організаціям точніше визначати місця, забруднені мінами.
Розроблена командою студентів і викладачів, система використовує штучний інтелект(ШІ) для аналізу даних про мінні забруднення. Вона поєднує машинне навчання, географічну інформацію та соціально-демографічні дані, створюючи точні прогнози про ризик мінного забруднення.
Читайте также: У ChatGPT додали генератор презентацій Gamma — до десяти слайдів безкоштовно