91欧美超碰AV自拍|国产成年人性爱视频免费看|亚洲 日韩 欧美一厂二区入|人人看人人爽人人操aV|丝袜美腿视频一区二区在线看|人人操人人爽人人爱|婷婷五月天超碰|97色色欧美亚州A√|另类A√无码精品一级av|欧美特级日韩特级

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

機器學習尋找越戰(zhàn)中未爆炸的炸彈

倩倩 ? 來源:鈦媒體APP ? 2020-04-15 11:10 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

未爆炸炸彈(Unexploded Ordnance, UXO)對沖突后社區(qū)構成了重大威脅,目前定位炸彈的工作依賴于時間密集和危險的現場查找。

超高分辨率(VHR)亞米衛(wèi)星圖像可以提供一種低成本、高效率的方法,來自動檢測彈坑并估算未爆炸炸彈的密度。由于炸彈坑比流星隕石坑要小,并且由于炸彈坑復雜的地形環(huán)境和外觀變化,所以利用以往尋找流星隕石坑的機器學習方法并不適合尋找炸彈坑。

根據俄亥俄州立大學政治學助理教授 Erin Lin 與俄亥俄州立大學土木、環(huán)境和大地工程助理教授秦榮軍共同發(fā)表在《美國科學公共圖書館》雜志(PLOS ONE)上的一項研究,研究人員創(chuàng)建了一個基于機器學習的兩階段框架來嘗試應對這些挑戰(zhàn)。

該研究所提出的方法,將炸彈坑檢測率提高了 160% 以上。對比分析表明,該方法明顯優(yōu)于典型的物體識別算法,可用于廣域炸彈坑檢測。

而該模型結合解密的記錄和排雷報告,發(fā)現在柬埔寨某村莊附近仍有 44% 至 50% 的炸彈未爆炸。

和平時期的隱患

未爆炸彈藥是指在武裝沖突期間部署但沒有引爆的軍事爆炸物,例如手榴彈、炸彈、迫擊炮彈和集束彈藥。未爆炸彈藥對戰(zhàn)后經濟復蘇、人類健康和政府反應能力構成重大挑戰(zhàn)。

據統(tǒng)計,未爆炸彈藥每年奪走 15,000 至 20,000 人的生命,每天平均有超過兩名平民被未爆彈藥炸死或炸傷,其中 28% 的傷亡是兒童。而全球估計至今仍有 400 萬到 600 萬顆流散爆炸物尚未被發(fā)現。

柬埔寨的炸彈隱患是世界上最高的。越南戰(zhàn)爭期間,美國向柬埔寨投放了約 50 萬噸炸藥。在柬埔寨,所有 24 個省都有未爆炸彈藥和地雷污染的區(qū)域,2001 年,幾乎所有柬埔寨村莊的一半都報告了某種形式的未爆炸物隱患。

當前的清理方法,要求排雷人員手動搜索場地,依靠金屬和雷達探測器找到可能的炸彈,并使用鐵鍬仔細地挖出可疑爆炸物,過程費力、危險且通常效率低下。

更打擊人的是,2016 年聯合國的一份報告發(fā)現,過去一年中清理的埋雷區(qū)域中有近一半實際上“沒有地雷或數量非常有限” 。

兩階段框架的提出

在這項最新研究中,研究人員利用人工智能從衛(wèi)星圖像中檢測越戰(zhàn)時期柬埔寨的炸彈坑,希望它能幫助找到未爆炸的炸彈。

遙感分析提供了一種定位未爆炸彈藥的潛在方法,美國空軍解密的越戰(zhàn)轟炸記錄也提供了很大幫助。為了解決這一挑戰(zhàn),研究人員還開發(fā)了一種新的遙感方法,來計算每個有效目標區(qū)域中的炸彈坑數量。

然后,用已知的每個有效目標區(qū)域中的炸彈總數(解密數據提供的信息),減去了已經引爆的炸彈數量,就可以估算出仍下落不明并可能藏在該區(qū)域的炸彈數量。

其實,之前尋找彈坑的算法,借鑒了成熟的隕石坑識別方法,通過掃描衛(wèi)星圖像,尋找外層空間行星表面上的大型圓形坑。但是,炸彈坑和流星隕石坑之間還是有很大的差異。

首先,炸彈坑會隨著時間流逝經歷各種程度的侵蝕,周圍植物也會生長變化,這與流星隕石坑不同,流星隕石坑位于缺乏大氣和植被的地外表。

第二,從遙感角度看,彈坑的尺寸相對較小,通常直徑只有 3 至 12 米。這比流星撞擊坑要小得多,隕石坑的直徑可達 3000 米。由于隕石坑檢測方法是從粗粒度的黑白圖像中檢測出圓形,因此可能會漏掉尺寸較小、形狀不完美、與周圍地形融為一體、或附近有干擾物體(如植物或水)的彈坑。

炸彈坑(左)與流星隕石坑(右)

為了有效檢測到直徑為 3 至 12 米的物體,研究人員需要處理超高分辨率(VHR)衛(wèi)星圖像。鑒于炸彈坑檢測是針對目標的學習任務,可獲得的樣本相對較少,研究人員開發(fā)了一個兩階段的框架。

彈坑探測兩級框架的工作流程

在第一階段,通過使用滑動窗口技術從 100 平方公里的研究區(qū)域中提取出第一道候選彈坑,其中矩形區(qū)域在固定寬度和高度的圖像上滑動。

然后將補丁分類為潛在的隕石坑或拒絕的候選坑。具體來說,典型的特征提取器將定向梯度直方圖(HOG)與基于支持向量機(SVM)的光譜直方圖特征向量進行分類。

但是,潛在的隕石坑候選可能包含許多誤報。因此,第二階段涉及多方法過程,以從候選池中除去非炸彈坑口。

第一階段 83% 的候選隕石坑在第二階段改進后被丟棄

新方式效果顯著

研究人員從柬埔寨 Kampong Trabaek 鎮(zhèn)附近 100 平方公里區(qū)域的商業(yè)衛(wèi)星圖像開始,該地區(qū)是美國空軍 1970 年 5 月至 1973 年 8 月地毯式轟炸的目標。

研究地點的衛(wèi)星圖像(100 平方公里)

研究人員通過機器學習分析衛(wèi)星圖像,以尋找炸彈坑存在的證據。炸彈坑的數量能夠讓研究人員知道實際上有多少炸彈已經爆炸,在哪里爆炸。然后,他們可以就可以確定還剩下多少枚未爆炸的炸彈,以及可能發(fā)現這些炸彈的特定區(qū)域。

俄亥俄州立大學政治學助理教授 Erin Lin 表示,到目前為止,在柬埔寨發(fā)現并安全清除未爆炸炸彈和地雷的嘗試,并沒有達到所需的效果。

Erin Lin 教授說,“迫切需要的服務與應用之間存在脫節(jié),部分原因是我們無法準確地確定最需要排雷的地方。這就是我們的新方法可能會有所幫助的地方?!?/p>

Erin Lin 教授解釋說:“幾十年來,炸彈坑周邊長滿草和灌木,會受到侵蝕,所有這些都會改變炸彈坑的形狀和外觀?!倍芯咳藛T開發(fā)的計算機算法,考慮了炸彈坑的新特征,包括形狀、顏色、紋理和大小。與傳統(tǒng)方法相比,該方法將真正的炸彈檢測提高了 160% 以上。

研究人員還獲得了解密后的軍事數據,這些數據表明,在本研究分析的區(qū)域內投放了 3205 枚炸彈。這些信息與排雷報告和研究結果相結合,表明該地區(qū)仍有大約 1405 到 1618 枚未爆炸的地毯炸彈未被發(fā)現,大約是投向那里的炸彈的 44% 到 50%。

而且這項研究涉及的大部分土地都是農業(yè)用地,這意味著當地農民有遭受炸彈爆炸的危險,危險并不是假設而是真實存在的。

研究人員援引聯合國的一份報告,該報告批評柬埔寨國家排雷機構把重點放在有未爆地雷的風險最小或沒有地雷的地區(qū),從而展現了迅速進展的景象。

Erin Lin 教授表示:“排雷的過程既昂貴又費時,但是我們的模型可以幫助確定應首先排雷的高風險地區(qū)?!?/p>

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯系本站處理。 舉報投訴
  • 探測器
    +關注

    關注

    15

    文章

    2763

    瀏覽量

    75895
  • 算法
    +關注

    關注

    23

    文章

    4784

    瀏覽量

    98055
  • 機器學習
    +關注

    關注

    66

    文章

    8553

    瀏覽量

    136948
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    機器學習特征工程:分類變量的數值化處理方法

    編碼是機器學習流程里最容易被低估的環(huán)節(jié)之一,模型沒辦法直接處理文本形式的分類數據,尺寸(Small/Medium/Large)、顏色(Red/Blue/Green)、城市、支付方式等都是典型的分類
    的頭像 發(fā)表于 02-10 15:58 ?333次閱讀
    <b class='flag-5'>機器</b><b class='flag-5'>學習</b>特征工程:分類變量的數值化處理方法

    人工智能與機器學習在這些行業(yè)的深度應用

    自人工智能和機器學習問世以來,多個在線領域的數字化格局迎來了翻天覆地的變化。這些技術從誕生之初就為企業(yè)賦予了競爭優(yōu)勢,而在線行業(yè)正是受其影響最為顯著的領域。人工智能(AI)與機器學習
    的頭像 發(fā)表于 02-04 14:44 ?475次閱讀

    機器學習和深度學習需避免的 7 個常見錯誤與局限性

    無論你是剛入門還是已經從事人工智能模型相關工作一段時間,機器學習和深度學習中都存在一些我們需要時刻關注并銘記的常見錯誤。如果對這些錯誤置之不理,日后可能會引發(fā)諸多麻煩!只要我們密切關注數據、模型架構
    的頭像 發(fā)表于 01-07 15:37 ?191次閱讀
    <b class='flag-5'>機器</b><b class='flag-5'>學習</b>和深度<b class='flag-5'>學習</b><b class='flag-5'>中</b>需避免的 7 個常見錯誤與局限性

    基于ETAS嵌入式AI工具鏈將機器學習模型部署到量產ECU

    AI在汽車行業(yè)的應用日益深化,如何將機器學習領域的先進模型(如虛擬傳感器)集成到ECU軟件,已成為業(yè)界面臨的核心挑戰(zhàn)。
    的頭像 發(fā)表于 12-24 10:55 ?6106次閱讀
    基于ETAS嵌入式AI工具鏈將<b class='flag-5'>機器</b><b class='flag-5'>學習</b>模型部署到量產ECU

    3000f法拉電容會爆炸嗎為什么

    法拉電容雖性能優(yōu)越,但短路、電壓超標及環(huán)境因素可能引發(fā)爆炸,需采取防護措施。
    的頭像 發(fā)表于 11-26 09:14 ?744次閱讀
    3000f法拉電容會<b class='flag-5'>爆炸</b>嗎為什么

    FPGA在機器學習的具體應用

    ,越來越多地被應用于機器學習任務。本文將探討 FPGA 在機器學習的應用,特別是在加速神經網
    的頭像 發(fā)表于 07-16 15:34 ?2890次閱讀

    法拉電容爆炸原因分析

    法拉電容因其高能量密度和快速充放電特性,成為新能源和儲能領域的明星組件。然而,因其潛在風險——爆炸,引發(fā)的安全事故屢見報端。法拉電容短路、設計缺陷、人為失誤是其爆炸誘因。
    的頭像 發(fā)表于 07-11 09:39 ?2733次閱讀
    法拉電容<b class='flag-5'>爆炸</b>原因分析

    邊緣計算機器學習:基于 Linux 系統(tǒng)的實時推理模型部署與工業(yè)集成!

    你好,旅行者!歡迎來到Medium的這一角落。在本文中,我們將把一個機器學習模型(神經網絡)部署到邊緣設備上,利用從ModbusTCP寄存器獲取的實時數據來預測一臺復古音頻放大器的當前健康狀況。你將
    的頭像 發(fā)表于 06-11 17:22 ?997次閱讀
    邊緣計算<b class='flag-5'>中</b>的<b class='flag-5'>機器</b><b class='flag-5'>學習</b>:基于 Linux 系統(tǒng)的實時推理模型部署與工業(yè)集成!

    變頻器IGBT爆炸原因有哪些?

    變頻器IGBT(絕緣柵雙極型晶體管)爆炸是電力電子設備較為嚴重的故障之一,其成因復雜且危害性大。以下從設計、應用、環(huán)境及維護等多維度分析可能導致IGBT爆炸的原因,并結合實際案例提
    的頭像 發(fā)表于 06-09 09:32 ?3062次閱讀

    電容為何會爆炸:揭秘背后的原因

    電容作為電子設備的重要元件,其穩(wěn)定性和可靠性直接關系到整個系統(tǒng)的運行安全。然而,在某些情況下,電容可能會突然爆炸,給設備帶來嚴重的損害,甚至威脅到人員的安全。那么,電容為什么會爆炸呢?原因可能比你
    的頭像 發(fā)表于 05-22 15:18 ?5096次閱讀
    電容為何會<b class='flag-5'>爆炸</b>:揭秘背后的原因

    數字孿生 × 爆炸動畫 × 三維拆解

    在三維場景實現模型零件爆炸效果是一種常見且非常實用的視覺技術,廣泛應用于產品設計演示、機械運動模擬、建筑可視化等多個領域。
    的頭像 發(fā)表于 05-19 15:11 ?686次閱讀
    數字孿生 × <b class='flag-5'>爆炸</b>動畫 × 三維拆解

    使用MATLAB進行無監(jiān)督學習

    無監(jiān)督學習是一種根據標注數據進行推斷的機器學習方法。無監(jiān)督學習旨在識別數據隱藏的模式和關系,
    的頭像 發(fā)表于 05-16 14:48 ?1438次閱讀
    使用MATLAB進行無監(jiān)督<b class='flag-5'>學習</b>

    【「# ROS 2智能機器人開發(fā)實踐」閱讀體驗】視覺實現的基礎算法的應用

    人部署,詳細介紹了基于顏色閾值和深度學習的巡線方法。 二維碼識別則廣泛應用于機器人定位與任務觸發(fā),例如AGV(自動導引車)的路徑規(guī)劃。 深度學習機器人視覺
    發(fā)表于 05-03 19:41

    **【技術干貨】Nordic nRF54系列芯片:傳感器數據采集與AI機器學習的完美結合**

    和更多外設接口。無論是運行還是休眠狀態(tài),功耗表現都非常出色! 3. 在傳感器數據采集與AI機器學習的優(yōu)勢? 答:主頻高、功耗低,內置專用核處理數據采集,還配備AI加速器,讓AI算法運行更高效! 4.
    發(fā)表于 04-01 00:00

    請問STM32部署機器學習算法硬件至少要使用哪個系列的芯片?

    STM32部署機器學習算法硬件至少要使用哪個系列的芯片?
    發(fā)表于 03-13 07:34