Detección de minas antipersona usando máquinas de aprendizaje superficial en imágenes termográficas adquiridas desde un dron

• Forero-Ramírez , Juan Camilo ^[1] ; Restrepo-Girón, Andrés David ^[1] ; Nope-Rodríguez, Sandra Esperanza ^[1] ; Loaiza-Correa , Humberto ^[1] ; Barandica-López , Asfur ^[1] ; Buitrago-Molina, José Tomás ^[1]
  1. [1] Universidad del Valle
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 24, Nº. 2, 2025 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 87-102
• Idioma: español
• Títulos paralelos:
  • Antipersonnel landmines detection using shallow learning in thermographic images acquired from a drone
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este trabajo presenta un sistema que detecta minas antipersonas artesanales enterradas en un suelo con vegetación limitada. La detección se realiza con máquinas de aprendizaje aplicadas a ventanas deslizantes que recorren las imágenes, sobre las cuales se extraen características para entrenar y probar las máquinas de aprendizaje superficial. Se compara el desempeño de cinco máquinas de aprendizaje, con base en las métricas de exactitud y sensibilidad: redes perceptrón multicapa (MLP), máquinas se soporte vectorial (SVM), redes neuronales Radial Basis (RBF), Naive Bayes y k-vecinos más cercanos (kNN). En todos los casos, la exactitud estuvo desde el 95,2 % con Naive Bayes hasta el 99,3 % con SVM; mientras que la sensibilidad estuvo desde el 91,2 % con Naive Bayes hasta 98,5 % con SVM. La estrategia de detección de minas parte de estos resultados y se corrobora o descarta según los resultados de las clasificaciones de las ventanas vecinas. Posteriormente, se descartan las regiones cuyo tamaño de la firma térmica sea inferior al esperado de una mina en una imagen capturada a 1 m del suelo. De este modo, la sensibilidad en la detección de las regiones con minas subió a 98,5 % usando SVM y RBF, 97,8 % con MLP, 92,6 %, con kNN, y 91,2 % con Naive Bayes. Finalmente, se realizaron pruebas preliminares aumentando la altura de captura de las imágenes termográficas, en un rango entre 2 y 4 m, y usando como máquina de aprendizaje una MLP, con la cual se alcanzó una sensibilidad en la detección entre 91,79 % y 100 %, dependiendo de la altura. Lo anterior evidencia que el sistema desarrollado podría ser robusto a variaciones en la altitud de vuelo del dron.

  • English

    This paper presents a system to detect “legbreaker” landmines buried in a low vegetation ground by using thermal image analysis captured by a drone at an altitude of 1 m. The detection was done using learning machines applied to sliding windows, browsing into the images to obtain features to train and test the classifiers. The performance of five learning machines was compared according to the accuracy and sensitivity: Multilayer Perceptron (MLP), Support Vector Machines (SVM), Radial Basis Function (RBF), Naïve Bayes and K-nearest neighbors (kNN). In all cases, the accuracy was between 95.2% in Naïve Bayes to 99.3% in SVM, and the sensitivity was between 91.2% in Naïve Bayes to 98.5% in SVM. The landmines detection strategy begins with those results, and it is corroborated or discarded according to the results of the classification of the neighbor windows. There is a posterior dismissing region of areas lower than the expected from the thermal signature of a landmine image, taken at an altitude of 1 m from the ground. Thus, the sensitivity on the regions with landmines detection was 98.5 in SMV and RFB, 97.8 % in MLP, 92.6 % in kNN and 91.2 % in Naïve Bayes. To finish, some preliminary tests were performed increasing the thermal images capture altitude in a range of 2-4 m and using an MLP, reaching a sensitivity between 91.79% and 100%, in different altitudes, showing that the system has robustness respect the flying altitude of the drone.