Detección de minas antipersona usando máquinas de aprendizaje superficial en imágenes termográficas adquiridas desde un dron
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 pro...
Saved in:
| Main Authors: | , , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad Industrial de Santander
2025-07-01
|
| Series: | Revista UIS Ingenierías |
| Subjects: | |
| Online Access: | https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/15811 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | 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.
|
|---|---|
| ISSN: | 1657-4583 2145-8456 |