У сучасних умовах проблема виявлення мін залишається однією з найактуальніших через серйозну загрозу для життя і здоров’я людей на забруднених територіях. У цій роботі представлено підхід до виявлення мін за допомогою гібридної нейронної мережі CNN+BiLSTM+Attention, яка аналізує B-scan сигнали, отримані від систем наземної радіолокації. Для підвищення якості навчання при обмеженій кількості даних було застосовано аугментацію зображень, що включає зсув, віддзеркалення, масштабування та додавання шуму. Початкові шари архітектури використовують згорткові операції для виділення локальних просторових ознак, після чого застосовується двонаправлений рекурентний шар BiLSTM, який дозволяє моделі вивчати залежності в межах кожного B-scan з урахуванням контексту в обох напрямках. Додатково інтегровано механізм уваги для фокусування на найбільш інформативних фрагментах сигналу. Фінальні шари моделі – це щільні шари з сигмоїдною функцією активації для реалізації виявлення мін. Результати комп’ютерного експерименту продемонстрували високу ефективність моделі: точність класифікації перевищує 99%, а значення Precision, Recall, F1-score та AUC свідчать про надійність підходу. Візуалізація результатів (графіки втрат і точності, матриця плутатини, гістограма метрик) підтверджує стабільне навчання без перенавчання. Запропонована архітектура є перспективною для застосування в задачах дистанційного мінного моніторингу та може бути використана як основа для подальших досліджень у сфері військової безпеки.
- Abhishek Rangole, De, S., Nilesh Kuchekar, & Bazil, A. (2024). A Comprehensive Review of Ground Penetrating Radar: Techniques, Applications and Future Directions. 12(3), 30–53. doi: 10.5281/zenodo.13842586
- Adhikari, S., Noh, D., Kim, M., Ahn, D., Jang, Y., Oh, E., & Lee, D. (2024). Vapor phase detection of explosives by surface enhanced Raman scattering under ambient conditions with metal nanogap structures. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 311, 123996. doi: 10.1016/j.saa.2024.123996
- Gurkan S., Karapinar M., & Dogan, S. (2017). Classification of explosives materials detected by magnetic anomaly method. 347–350. doi: 10.1109/iceee2.2017.7935848
- Landmine and Cluster Munition Monitor. (2024). Retrieved from https://www.the-monitor.org
- Madavha L., Laseinde, T., Ilesanmi Daniyan, & Khumbulani Mpofu. (2020). Functional design and performance evaluation of a metal handheld detector for land mines detection. Procedia CIRP, 91, 696–703. doi: 10.1016/j.procir.2020.04.134
- Lytvyn V., Peleshchak, I., Vysotska, V., Motyka, V., & Peleshchak, R. (2022). Passive Method for Mine Detection and Classification Using Magnetic Fields and Convolutional Neural Networks. 2022 I EEE 16th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), 1–6. doi: 10.1109/tcset64720.2024.10755852
- Markoulidakis, I., Rallis, I., Georgoulas, I., Kopsiaftis, G., Doulamis, A., & Doulamis, N. (2021). Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem. Technologies, 9(4), 81. doi: 10.3390/technologies9040081
- Peleshchak, R., Vasyl Lytvyn, Oleksandr Mediakov, & Peleshchak, I. (2023). Morphology of Convolutional Neural Network with Diagonalized Pooling. Communications in Computer and Information Science, 161–172. doi: 10.1007/978-3-031-27034-5_11
- Pol, A. A. (2020). Machine Learning Anomaly Detection Applications to Compact Muon Solenoid Data Quality Monitoring. Hal.science. Retrieved from https://theses.hal.science/tel-02924477
- Study on evaluating airborne GPR’s potential for UXO and Landmine Detection in a Controlled Environment. (2023). Retrieved from https://www.sphengineering.com/news/study-on-evaluating-airborne-gprs-potential-for- uxo-and-landmine-detection-in-a-controlled-environment
- Yilmaz, C., Sonmez, Y., Kahraman, H. T., Salih Soyler, & Ugur Guvenc. (2016). Developing of decision support system for land mine classification by meta-heuristic classifier. 1–5. doi: 10.1109/inista.2016.7571867
- Yilmaz, C., Kahraman, H. T., & Soyler, S. (2018). Passive Mine Detection and Classification Method Based on Hybrid Model. IEEE Access, 6, 47870–47888. doi: 10.1109/access.2018.2866538