Using convolutional neural networks to classify unexploded ordnance from multicomponent electromagnetic induction data  
Notice bibliographique
Résumé
Electromagnetic induction (EMI) methods are commonly used to classify unexploded ordnance (UXO) in both terrestrial and marine settings. Modern time-domain systems used for classification are multicomponent which means they acquire many transmitter-receiver pairs at multiple time-channels. Traditionally, classification is performed using a physics-based inversion approach where polarizability curves are estimated from the EMI data. These curves are then compared with those in a library to look for a match based on some misfit measure. In this work, we developed a convolutional neural network (CNN) that classifies UXO directly from EMI data. Analogous to an image segmentation problem, our CNN outputs a classification map that preserves the spatial dimensions of the input. In this way, our CNN produces high-resolution results and can handle the multiple transmitter-receiver pairs and the acquisition of multicomponent systems. We train the CNN using synthetic data generated with a dipole forward model considering relevant UXO and clutter objects. A careful design of the clutter classes is needed to maximize clutter discrimination. We use a two-step workflow. First, we train a CNN to detect metallic objects in field data. From this, we extract patches of data that contain only background signal and use these to generate a new training data set by adding this background noise to our synthetic data. A second CNN is trained with these data to perform the classification. We test our approach using field data acquired with the UltraTEMA-4 system in the Sequim Bay marine test site. Using this workflow, classification results for the field data show that our approach detects all of the UXOs and classifies more than 90% as the correct type while also discriminating ~70% of the clutter. A key advantage of our CNN is that, once trained, it may be used to provide real-time classification results on the field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».