Виявлення мін за допомогою CNN+BiLSTM+Attention на основі B-scan сигналів

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.