Revista UIS Ingenierías

Vol. 24 Núm. 2 (2025): Revista UIS Ingenierías
Artículos

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

PDF
  • Juan Camilo Forero-Ramírez ,
  • Andrés David Restrepo-Girón,
  • Sandra Esperanza Nope-Rodríguez,
  • Humberto Loaiza-Correa ,
  • Asfur Barandica-López ,
  • José Tomás Buitrago-Molina
Juan Camilo Forero-Ramírez
Universidad del Valle
Andrés David Restrepo-Girón
Universidad del Valle
Sandra Esperanza Nope-Rodríguez
Universidad del Valle
Humberto Loaiza-Correa
Universidad del Valle
Asfur Barandica-López
Universidad del Valle
José Tomás Buitrago-Molina
Universidad del Valle
DOI: https://doi.org/10.18273/revuin.v24n2-2025007

Publicado 2025-07-21

Palabras clave

  • Detección de minas “quiebrapatas”,
  • inspección con un dron,
  • termografía,
  • contraste térmico,
  • máquinas de aprendizaje superficial

Cómo citar

Forero-Ramírez , J. C. ., Restrepo-Girón, A. D. ., Nope-Rodríguez, S. E., Loaiza-Correa , H. ., Barandica-López , A., & Buitrago-Molina, J. T. . (2025). Detección de minas antipersona usando máquinas de aprendizaje superficial en imágenes termográficas adquiridas desde un dron. Revista UIS Ingenierías, 24(2), 87–102. https://doi.org/10.18273/revuin.v24n2-2025007

Derechos de autor 2025 Revista UIS Ingenierías

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.

Resumen

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.

PDF

Descargas

Los datos de descargas todavía no están disponibles.

Citas

  1. H. Frigui, P. Gader, and J. Keller, “Fuzzy clustering for land mine detection”, Annu. Conf. North Am. Fuzzy Inf. Process. Soc. - NAFIPS, pp. 261–265, 1998, doi: 10.1109/NAFIPS.1998.715577.
  2. H. Frigui, O. Missaoui, and P. Gader, “Landmine detection with ground penetrating radar using discrete hidden Markov models with symbol dependent features”, Detect. Sens. Mines, Explos. Objects, Obs. Targets XIII, vol. 6953, no. 6, p. 69531C, 2008, doi: 10.1117/12.782420.
  3. K. Tbarki, S. Ben Said, R. Ksantini, and Z. Lachiri, “RBF kernel based SVM classification for landmine detection and discrimination”, IPAS 2016 - 2nd Int. Image Process. Appl. Syst. Conf., pp. 1–6, 2017, doi: 10.1109/IPAS.2016.7880146.
  4. X. Song, D. Xiang, K. Zhou, and Y. Su, “Improving RPCA-based clutter suppression in GPR detection of antipersonnel mines”, IEEE Geosci. Remote Sens. Lett., vol. 14, no. 8, pp. 1338–1342, 2017, doi: 10.1109/LGRS.2017.2711251.
  5. N. V. Nambiar, K. Gurpreet, and A. Shobha, “Automatic Landmine Detection by Pattern Trace”, 2017 Int. Conf. Comput. Commun. Control Autom. ICCUBEA 2017, pp. 1–5, 2018, doi: 10.1109/ICCUBEA.2017.8463717.
  6. H. Brunzell, “Detection of shallowly buried objects using impulse radar”, IEEE Trans. Geosci. Remote Sens., vol. 37, no. 2 II, pp. 875–886, 1999, doi: 10.1109/36.752207.
  7. C. Fischer and W. Wiesbeck, “Multistatic GPR for antipersonnel mine detection”, IGARSS 2001. Scanning Present Resolv. Futur. Proceedings. IEEE 2001 Int. Geosci. Remote Sens. Symp. (Cat. No.01CH37217), vol. 6, no. C, pp. 2721–2723, 2002, doi: 10.1109/igarss.2001.978141.
  8. C. Fischer, A. Herschlein, M. Younis, and W. Wiesbeck, “Detection of antipersonnel mines by using the factorization method on multistatic ground-penetrating radar measurements”, IEEE Trans. Geosci. Remote Sens., vol. 45, no. 1, pp. 85–92, 2007, doi: 10.1109/TGRS.2006.883464.
  9. A. Goad et al., “Landmine detection utilizing an unmanned aerial vehicle”, Proc. 2008 IEEE Syst. Inf. Eng. Des. Symp. SIEDS 2008, pp. 231–236, 2008, doi: 10.1109/SIEDS.2008.4559717.
  10. I. J. Gupta and A. van der Merwe, “A novel signal processing technique for clutter reduction in GPR measurements of small, shallow land mines”, IEEE Trans. Geosci. Remote Sens., vol. 38, no. 6, pp. 2627–2637, 2000, doi: 10.1109/36.885209.
  11. L. Collins, P. Gao, and L. Carin, “An improved bayesian decision theoretic approach for land mine detection”, IEEE Trans. Geosci. Remote Sens., vol. 37, no. 2 I, pp. 811–819, 1999, doi: 10.1109/36.752197.
  12. C. A. Casas-Díaz and E. E. Roa-Guerrero, “Development of mobile robotics platform for identification of land mines antipersonnel in different areas of Colombia”, 2015 IEEE Colomb. Conf. Commun. Comput. COLCOM 2015 - Conf. Proc., pp. 1–6, 2015, doi: 10.1109/ColComCon.2015.7152106.
  13. M. Zubair and M. A. Choudhry, “Land mine detecting robot capable of path planning”, WSEAS Trans. Syst. Control, vol. 6, no. 4, pp. 105–114, 2011, doi: 10.1109/WCSE.2010.34.
  14. C. O. N. M. Antipersona, “Diseño y construcción de un sistema robótico para la exploración de campos sembrados con minas antipersona”, 2008.
  15. I. Makki, R. Younes, C. Francis, T. Bianchi, and M. Zucchetti, “Classification algorithms for landmine detection using hyperspectral imaging”, 2017 1st Int. Conf. Landmine Detect. Clear. Legis. LDCL 2017, pp. 1–6, 2017, doi: 10.1109/LDCL.2017.7976930.
  16. G. A. Clark, S. K. Sengupta, W. D. Aimonetti, F. Roeske, and J. G. Donetti, “Multispectral Image Feature Selection for Land Mine Detection”, vol. 38, no. 1, pp. 304– 311, 2000.
  17. X. Miao, M. R. Azimi-Sadjadi, B. Tian, A. C. Dubey, and N. H. Witherspoon, “Detection of mines and minelike targets using principal component and neural-Network methods”, IEEE Trans. Neural Networks, vol. 9, no. 3, pp. 454–463, 1998, doi: 10.1109/72.668887.
  18. A. Filippidis, L. C. Jain, and N. M. Martin, “Using genetic algorithms and neural networks for surface landmine detection”, IEEE Trans. Signal Process., vol. 47, no. 1, pp. 176–186, 1999, doi: 10.1109/78.738250.
  19. L. Cardona, J. Jiménez, and N. Vanegas, “Resonancia nuclear en cuadrupolo para la detección de explosivos”, Ingeniare, vol. 23, no. 3, pp. 458–472, 2015, doi: 10.4067/S0718-33052015000300015.
  20. G. J. Lockwood, “Field tests of X-ray backscatter mine detection”, pp. 160–163, 2005, doi: 10.1049/cp:19980711.
  21. Agranat, A. J., Kabessa, Y., Shemer, B., Shpigel, E., Schwartsglass, O., Atamneh, L., Uziel, Y., Ejzenberg, M., Mizrachi, Y., García, Y., Perepelitsa, G., & Belkin, S., “An autonomous bioluminescent bacterial biosensor module for outdoor sensor networks, and its application for the detection of buried explosives”, Biosensors and Bioelectronics, 185, 2021, https://doi.org/10.1016/j.bios.2021.113253.
  22. D. G. Beetner, R. J. Stanley, S. Agarwal, D. R. Somasundaram, K. Nema, and B. Mantha, “Landmine detection and discrimination using high-pressure waterjets” EURASIP J. Appl. Signal Processing, vol. 2004, no. 13, pp. 1973–1984, 2004, doi: 10.1155/S1110865704406040.
  23. H. F. M. Ali, A. M. R. Fath El-Bab, Z. Zyada, and S. M. Megahed, “Estimation of landmine characteristics in sandy desert using neural networks”, Neural Comput. Appl., vol. 28, no. 7, pp. 1801–1815, 2017, doi: 10.1007/s00521-015-2153-z.
  24. Yao, Y., Wen, M., & Wang, Y., “Multi-Temporal IR Thermography for Mine Detection”, 2019 10th International Workshop on the Analysis of Multitemporal Remote Sensing Images, MultiTemp 2019, 7–10. https://doi.org/10.1109/Multi-Temp.2019.8866906.
  25. K. Wasaki, N. Shimoi, Y. Takita, and P. N. Kawamoto, “A smart sensing method for mine detection using time difference IR images”, pp. 133–139, 2002, doi: 10.1109/mfi.2001.1013521.
  26. K. M. Mahar, M. S. Ibrahim, and M. Z. Riad, “Landmines recognition system using thermovision techniques”, Proc. - Int. Conf. Image Process. ICIP, pp. 585–588, 2009, doi: 10.1109/ICIP.2009.5413883.
  27. B. Szymanik and S. Gratkowski, “Numerical and experimental validation of optimization results in microwave enhanced infrared landmines’ detection”, IEEE Trans. Magn., vol. 51, no. 3, pp. 18–21, 2015, doi: 10.1109/TMAG.2014.2356338.
  28. G. A. Clark et al., “Detecting buried objects by fusing dual-band infrared images”, pp. 135–143, 2002, doi: 10.1109/acssc.1993.342486.
  29. Y. Yao, M. Wen and Y. Wang, “Multi-Temporal IR Thermography for Mine Detection”, 2019 10th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp), Shanghai, China, 2019, pp. 1-4, doi: 10.1109/MultiTemp.2019.8866906.
  30. A. Golovin, E. Sechak, A. Demin, “Landmine detection and minefield mapping with the help of multi-angle long-wave infrared hyperspectral data fused with the 3D terrain reconstruction”, ITNT 2020: VI International Conference on Information Technology and Nanotechnology. Samara, Russia, 2020, pp.149-152, doi: 10.1109/ITNT49337.2020.
  31. R. Burr, M. Schartel, A. Grathwohl, W. Mayer, T. Walter and C. Waldschmidt, “UAV-Borne FMCW InSAR for Focusing Buried Objects”, IEEE Geoscience and Remote Sensing Letters, vol. 19, pp. 1-5, 2022, Art no. 4014505, doi: 10.1109/LGRS.2021. 3094165.L
  32. S. Kaya and U. M. Leloglu, “Buried and Surface Mine Detection from Thermal Image Time Series”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 10, no. 10, pp. 4544-4552, Oct. 2017, doi: 10.1109/JSTARS.2016.2639037.
  33. A. Muscio, M. A. Corticelli, “Experiments of thermographic landmine detection with reduced size and compressed time”, Infrared Physics & Technology, vol. 46, no. 1–2, pp. 101-107, 2004, doi: 10.1016/j.infrared.2004.03.014.
  34. S. Kaya, U.M. Leloglu, and G. Tumuklu Ozyer, G, “Robust landmine detection from thermal image time series using Hough transform and rotationally invariant features”, International Journal of Remote Sensing, vol. 41, no. 2, pp. 725–739, doi: 10.1080/01431161.2019.1646941.
  35. B. García, A. D. Restrepo, H. Loaiza, “Detection of external structures of anti-personnel mines by means of thermographic inspection of soil”, 14th International Workshop on Advanced Infrared Technology and Applications (AITA) 2017, 2017, Quebec City, Canada.
  36. Y. Ganesh, R. Raju, and R. Hegde, “Surveillance Drone for Landmine Detection”, Proc. - 2015 21st Annu. Int. Conf. Adv. Comput. Commun. ADCOM 2015, pp. 33–38, 2016, doi: 10.1109/ADCOM.2015.13.
  37. P. Krause, E. Salahat, and E. Franklin, “Diurnal thermal dormant landmine detection using unmanned aerial vehicles”, Proc. IECON 2018 - 44th Annu. Conf. IEEE Ind. Electron. Soc., vol. 1, pp. 2299–2304, 2018, doi: 10.1109/IECON.2018.8591378.
  38. K. Lamorski, P. Prȩgowski, W. Swiderski, D. Szabra, R. T. Walczak, and B. Usowicz, “Thermal signatures of land mines buried in mineral and organic soils - Modelling and experiments”, Infrared Phys. Technol., vol. 43, no. 3–5, pp. 303–309, 2002, doi: 10.1016/S1350-4495(02)00156-1.
  39. A. Muscio and M. A. Corticelli, “Land mine detection by infrared thermography: Reduction of size and duration of the experiments”, IEEE Trans. Geosci. Remote Sens., vol. 42, no. 9, pp. 1955–1964, 2004, doi: 10.1109/TGRS.2004.831443.
  40. J. C. Forero, B. García, H. A. Tenorio, A. D. Restrepo, H. Loaiza, S. E. Nope, A. Barandica and J. T. Buitrago. “Detection of “legbreaker” antipersonnel landmines by analysis of aerial thermographic images of the soil”, Infrared Phys. Technol., vol. 125, September 2022, 104307 doi: 10.1016/j.infrared.2022.104307.
  41. J. Cubides-Cárdenas and J. Jiménez-Reina, “Los artefactos explosivos improvisados –AEI-: una amenaza para el estado colombiano”, Desafíos para la Seguridad y Defensa Nacional de Colombia: Teoría y Praxis, ed. (Escuela Superior de Guerra, 2017), ISBN: 978-958-56252-5-9.
  42. J. Kyncl, L. Vetoschkin, L. Musálek, J. Bryscejn, and J. Sova, “The correction of the influence of wind on thermographic measurement”, International Scientific Conference on Electric Power Engineering (EPE) (2016), pp.1-4. doi: 10.1109/EPE.2016.7521772.
  43. B. García, “Detección de materiales de uso común en la estructura externa de Minas Antipersonal mediante la inspección Termográfica del suelo.”, Master's degree thesis, Escuela de Ingeniería Eléctrica y Electrónica, Universidad del Valle, 2016.
  44. M.G. Pérez and T. Mejía-Bayas, “Segmentación y Análisis de Imágenes Termográficas mediante Descriptores de Textura Simples”, Facultad de Ingeniería de Sistemas, electrónica e Industrial, Universidad Técnica de Ambato, 2015.
  45. J. S. Silva, I. F. Linhas-Guerra, J. Bioucas-Dias, and T. Gasche, “Landmine Detection Using Multispectral Images”, IEEE Sens J 19(20), 9341–9351 (2019), doi: 10.1109/JSEN.2019.2925203.
  46. B. García, J. C. Forero, A. D. Restrepo, H. Loaiza, S. E. Nope, A. Barandica and J. T. Buitrago. “Test Images of Buried landmines”, Mendeley Data, V1, doi: 10.17632/732ngnf4r3.1.