Evaluación de amenazas de objetos enterrados utilizando mediciones de microondas de una sola frecuencia

Área de la Ciencia:

• Física aplicada
• Aprendizaje automático
• La geofísica

Sus antecedentes:

• La detección de objetos enterrados es crucial para la seguridad y la eliminación de municiones sin explotar (UXO).
• Los métodos existentes a menudo requieren sistemas complejos o datos de capacitación extensos.
• La detección basada en microondas ofrece un enfoque no invasivo para el análisis del subsuelo.

Objetivo del estudio:

• Desarrollar un modelo de red neuronal ligero para la identificación de objetos enterrados.
• Para integrar este modelo con un sistema de detección de microondas utilizando mediciones del mundo real.
• Evaluar el rendimiento del modelo frente a las arquitecturas de aprendizaje profundo establecidas.

Principales métodos:

• Se utilizaron mediciones del parámetro de dispersión 16x16 (parámetro S) a partir de datos del mundo real.
• Transformó los datos del parámetro S en un vector de características de 256 dimensiones.
• Desarrolló y entrenó una arquitectura de red neuronal ligera en los vectores de características.

Principales resultados:

• El modelo logró una precisión del 99,83%, un puntaje de F1 de 0,989 y un recuerdo de 0,979 en la distinción de objetos peligrosos.
• La red neuronal convolucional (CNN), la red residual profunda (DRN) y los modelos EfficientNet superaron el rendimiento inicial.
• Demostrada robustez y relevancia práctica debido a la formación en mediciones del mundo real.

Conclusiones:

• La red neuronal ligera propuesta y el sistema de detección de microondas son altamente eficaces para la identificación de objetos enterrados.
• El enfoque ofrece una solución computacionalmente eficiente y precisa para la defensa y la seguridad.
• La integración de datos del mundo real mejora la fiabilidad del modelo para su despliegue práctico.