Por: Sagar Lekhak
Al menos 57 países tienen minas terrestres antipersonal activas en sus territorios. Solo en 2024, 1945 personas murieron a causa de minas y 4325 resultaron heridas, el 90% de las cuales eran civiles. Casi la mitad eran niños. Las operaciones de desminado eliminaron 105.640 minas ese mismo año.
Con los nuevos conflictos, el número de minas sigue aumentando. Para agricultores, niños y otras personas que regresan a sus zonas después de un conflicto, un solo paso puede significar lesiones permanentes o la muerte.
Soy estudiante de doctorado en el Departamento de Ciencias de la Imagen del Instituto Tecnológico de Rochester, donde trabajo con Emmett Ientilucci. Mi investigación se centra en el uso de imágenes multisensoriales obtenidas mediante drones e inteligencia artificial para mejorar la velocidad, la precisión y la fiabilidad de la detección de minas terrestres y municiones sin detonar.
Nuestra investigación pretende lograr esto de tres maneras: desarrollando técnicas para combinar datos de múltiples tipos de sensores, creando conjuntos de datos de referencia para desarrollar y evaluar sistemas de detección, y mejorando la confiabilidad de los métodos de detección de IA incorporando estimaciones de incertidumbre.
Múltiples sensores desde arriba
La detección de minas terrestres aún depende en gran medida de métodos terrestres, cada uno con serias limitaciones. Los detectores de metales portátiles suelen tener dificultades en suelos ricos en minerales y para detectar con fiabilidad minas con bajo contenido de metales o predominantemente de plástico. El georradar puede detectar objetos no metálicos, pero su rendimiento es deficiente en terrenos húmedos o irregulares, o cubiertos de vegetación, y suele generar altas tasas de falsas alarmas. El sondeo manual y el uso de animales de detección adiestrados siguen siendo métodos eficaces para localizar minas terrestres, pero el proceso es lento, consume muchos recursos y expone a los desminadores a un riesgo considerable. A la escala del despliegue de minas terrestres observado en Ucrania y otras regiones en conflicto y posconflicto, los estudios terrestres por sí solos no pueden seguir el ritmo.
Las operaciones de desminado utilizan cada vez más imágenes aéreas obtenidas con drones para agilizar los estudios de minas terrestres, en particular las minas sembradas en la superficie. Sin embargo, el camuflaje, la vegetación y las condiciones de iluminación cambiantes suelen hacer que estas minas sean prácticamente invisibles en las imágenes convencionales.
En una investigación previa, mis colegas y yo examinamos si la detección aérea puede reemplazar o complementar de forma realista los estudios terrestres tradicionales. Evaluamos la viabilidad de sustituir un sistema de detección de metales aéreo por detectores de metales portátiles para detectar minas terrestres y municiones sin detonar.
Los resultados demostraron que la detección magnética con drones puede detectar objetivos metálicos con una precisión comparable a la de los métodos terrestres en un sitio de prueba controlado, a la vez que reduce el riesgo humano y multiplica por diez la velocidad del estudio. Nuestro mapa de calor, generado por un detector de metales de inducción electromagnética aerotransportado sobre un sitio de prueba, destaca las posibles ubicaciones de minas terrestres enterradas y municiones sin detonar, lo que ilustra cómo la detección con drones puede inspeccionar de forma segura y eficiente zonas con minas terrestres.
La detección aérea se beneficia de sensores complementarios. Las cámaras RGB, que detectan imágenes de luz visible en color, capturan las características visuales de las minas terrestres. Los sensores térmicos revelan las diferencias de temperatura entre las minas y el terreno circundante. Los sensores multiespectrales e hiperespectrales identifican las características de diferentes materiales. El radar de apertura sintética detecta cambios en la superficie del terreno. El LiDAR cartografia sutiles perturbaciones superficiales. Y los magnetómetros detectan componentes metálicos subterráneos. Juntos, estos sensores pueden abordar la variedad de tipos de minas y condiciones de despliegue que se encuentran en entornos reales.
A pesar de su potencial, los sistemas multisensor de detección de minas terrestres basados en drones siguen siendo poco explorados. El progreso se ve limitado por la falta de conjuntos de datos de referencia disponibles públicamente con datos capturados por múltiples tipos de sensores que utilicen despliegues de minas realistas y datos precisos sobre el terreno, es decir, las posiciones y profundidades reales de las minas objetivo. Sin estos conjuntos de datos, los investigadores no pueden comparar algoritmos con precisión, validar los resultados de las pruebas ni desarrollar modelos de IA que funcionen correctamente fuera de los entornos de prueba.
Creación de conjuntos de datos de detección de minas
Para abordar este desafío, nuestro equipo, junto con otros investigadores, colaboró con la organización sin fines de lucro Demining Research Community para recopilar un conjunto de datos exhaustivo. Utilizamos el campo de pruebas controlado de Demining Research Community en Oklahoma, que incluía más de 140 minas terrestres inertes y municiones sin detonar.
Recopilamos un amplio conjunto de datos georreferenciados multisensor utilizando plataformas terrestres y drones a múltiples altitudes. Utilizamos datos hiperespectrales, multiespectrales, térmicos, RGB, LiDAR, radar de apertura sintética, georradar, detectores de metales de inducción electromagnética y magnetómetros. Este conjunto de datos se publicará en una revista científica que se encuentra actualmente en revisión. Hemos publicado una parte de esta colección —en concreto, un conjunto de datos hiperespectrales visibles e infrarrojos cercanos, adquiridos a una altitud de 20 metros— mediante una publicación en una conferencia.
Ampliamos este esfuerzo a nivel internacional mediante una colaboración con la Real Academia Militar de Bélgica durante una gran campaña de recopilación de datos. Juntos, desplegamos más de 110 réplicas de minas PFM-1 en diversos terrenos y condiciones de vegetación.
Para simular campos minados realistas, dispersamos las minas inertes para simular la dispersión aérea. Levantamos y geolocalizamos con precisión cada mina mediante estaciones base GPS. Posteriormente, recopilamos datos a múltiples altitudes utilizando drones equipados con sensores hiperespectrales, multiespectrales, térmicos, RGB, LiDAR y de polarización que reducen el deslumbramiento.
Otros grupos de investigación, participantes y socios de la industria, incluidos fabricantes de sensores, recopilaron conjuntos de datos adicionales en el mismo campo de pruebas. Estos conjuntos de datos se están procesando actualmente y se publicarán en acceso abierto próximamente.
Hasta donde sabemos, estos serán los primeros conjuntos de datos de este tipo disponibles públicamente, lo que abre nuevas oportunidades no sólo para la investigación en detección de minas terrestres, sino también para la comunidad más amplia de IA y teledetección. Al poner estos conjuntos de datos a disposición del público, buscamos acelerar la investigación sobre la fusión de datos multisensor, mejorar la fiabilidad de los sistemas de detección basados en IA y ayudar a conectar la investigación académica con las necesidades de los desarrolladores de la industria y las organizaciones humanitarias.
Medición de la confiabilidad
Pero incluso calibrando cuidadosamente sus sensores con nuestro conjunto de datos, es necesario reconocer las limitaciones de la tecnología. En aplicaciones como la detección de minas terrestres, un solo error puede ser fatal. Gran parte de mi investigación se centra en la fiabilidad de la IA y la estimación de la incertidumbre. En un estudio reciente, desarrollamos una medida de la incertidumbre de un modelo de IA sobre sus predicciones.
En lugar de forzar a los modelos a generar predicciones fiables en todo momento, estamos desarrollando métodos que permiten a los sistemas indicar “No estoy seguro”. Nuestro objetivo es proporcionar una métrica de incertidumbre junto con las predicciones: cuanto más ruidosa o ambigua sea la entrada, mayor será la puntuación de incertidumbre. Esta información puede ayudar a los operadores de desminado a tomar decisiones más seguras e informadas, especialmente en condiciones difíciles o inciertas.
Con la publicación de estos conjuntos de datos, creemos que surgirán nuevas oportunidades para que los investigadores en IA y teledetección exploren la fusión de datos multisensor. Los conjuntos de datos incluyen una amplia variedad de objetivos en términos de tamaño, forma y orientación, con todos los datos completamente georreferenciados y con datos precisos sobre el terreno. Dado que cada objetivo fue observado por múltiples sensores a distintas altitudes, los investigadores podrán realizar análisis comparativos de sensores individuales frente a enfoques de detección combinados. Esto impulsará el desarrollo de algoritmos de detección más fiables, seguros y rápidos, adaptados a las necesidades reales de desminado.
En esencia, esta investigación no se centra en algoritmos ni drones, sino en las personas. Se trata de agricultores que recuperan sus tierras, niños que caminan seguros a la escuela y comunidades que se reconstruyen sin miedo. Al combinar IA, drones y ciencia abierta, buscamos transformar la detección de minas terrestres, de una práctica lenta y peligrosa, en un proceso más seguro, inteligente y escalable, que ayude a convertir los paisajes posconflicto en lugares donde la vida pueda volver a crecer.
Este artículo es una traducción de otro publicado en The Conversation. Puedes leer el texto original haciendo clic aquí.
