Autore/i TESTA, GIUSEPPE
Relatore BESTAGINI, PAOLO
Correlatore/i PICETTI, FRANCESCO
Scuola / Dip. ING - Scuola di Ingegneria Industriale e dell'Informazione
Data 26-lug-2018
Anno accademico 2017/2018
Titolo della tesi Landmine detection on GPR data employing convolutional autoencoder
Abstract in italiano Più di novanta paesi del Mondo, teatro di guerra nel passato, si trovano oggi ad avere parte del proprio territorio caratterizzato dalla presenze di mine terrestri, sepolte ed inesplose. Questa situazione rappresenta un pericolo costante per i civili che popolano queste zone. Non si è a conoscenza di un dato certo sulle vittime, ma si stima che circa 8.000 persone ogni anno perdono la vita o vengono mutilate da un ordigno esplosivo. Lo Sminamento Umanitario è regolato dalle Nazioni Unite mediante l'International Mine Action Standards (IMAS), il quale proibisce l'utilizzo tecniche di sminamento militare. Purtroppo nella maggior parte dei casi l'unico metodo che incontra le richieste dell'IMAS consiste nella localizzazione e disarmo manuale. Questo procedimento è però lento, costoso e pericoloso. Le molteplici tecniche proposte non riescono a conciliare l'utilizzo di strumentazioni e/o le tecniche di elaborazione dei dati che permettano una localizzazione e classificazione accurata degli ordigni con le direttive dettate dalle Nazioni Unite. Per questo motivo non esistono ancora metodologie tecnologicamente avanzate che trovino riscontro pratico. Inoltre, molti ordigni sono costruiti quasi esclusivamente in plastica e presentano poco contenuto metallico. Per questa ragione negli ultimi anni l'utilizzo di ground-penetrating radar (GPR) come modalità per acquisire immagini del sottosuolo ha visto un notevole incremento del suo utilizzo in questo ambito. In letteratura sono state proposte numerose tecniche per la localizzazione delle mine in B-scan (i.e., immagini del sottosuolo acquisite mediante GPR). In particolare, le emergenti tecniche di Deep Learning nel campo dell'elaborazione di immagini hanno motivato ad investigare la loro applicazione al problema citato. In questa tesi, proponiamo un metodo per la localizzazione di ordigni basato su B-scan che sfrutta una particolare Convolutional Neural Network, l'Autoencoder, implementato come rilevatore di anomalie: l'Autoencoder apprende una descrizione delle B-scan senza ordigni, e rileva un'anomalia quando processa un'immagine che mostra tracce di mine. È importante sottolineare che il sistema proposto non utilizza dati contenenti tracce di mine nella fase di apprendimento. Questa caratteristica evita ipotesi prelimirari sul tipo di ordigno, permettendo di localizzare una mina indipendentemente dalle sue caratteristiche fisiche e geometriche. Attraverso test sul campo abbiamo testato la metodologia proposta ottenendo un'accuratezza del 95%.
Abstract in inglese More than ninety nations around the World, which in the past have been a theater of war, have part of their territory characterized by the presence of buried and unexploded landmines. This situation represents severe danger for the civilians living in these areas. Although it is difficult to have an exact count of victims, an estimates sum up to 8000 people either killed or maimed by an explosive remanent of war every year. Humanitarian Demining is regulated by the United Nations (UN) via the International Mine Action Standards (IMAS), that bans the use of military techniques. Military mine clearance is performed with brute force, since they need the infantry to pass through as fast as possible. Sadly, in most of the cases, the only method that meets the constraints imposed by the IMAS consists in manual detection and disarm. This procedure, however, is slow, expensive and dangerous. Among the variously proposed techniques, only a few manage to combine the use of signal processing methods, able to perform accurate detection and classification, with the standard required by the UN. Therefore, advanced methods for on-field use have not been yet implemented. Moreover, the majority of the unexploded ordnances (UXOs) are built almost entirely of plastics and contain a little or no metal. For this reason, in recent years the use of ground-penetrating radar (GPR) have emerged as a suitable sensing modality to acquire images of the subsoil. In the literature, numerous landmine detection systems have been proposed to analyze B-scans (i.e., images acquired by GPR). In particular, the recent Deep Learning advancement in the field of image processing has determinated its use to investigate the mentioned problem. In this thesis, we propose a methodology for landmine detection on B-scans that makes use of a particular Neural Network, the Autoencoder, that is employed as anomaly detector: the autoencoder learns a description of object-free B-scans, and detects landmines traces as anomalies. It is worth noticing that the proposed system never uses data containing landmine traces at the training phase. This feature anebles us to avoid assumptions about the type of device, therefore allowing to locate any mine independently of its physical and geometrical characteristics. We tested the proposed methodology on real data from on-field acquisitions; the results show an accuracy up to 95% in the recognition of buried objects.
Tipo di documento Tesi di laurea Magistrale
Appare nelle tipologie: Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
landmine-detection-giuseppe-testa.pdf

accessibile in internet per tutti a partire dal 10/07/2021

11.03 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/10589/142106