根據紐約州立大學賓厄姆頓大學的研究，使用先進的機器學習技術，無人駕駛飛機可以用來檢測沖突后國家偏遠地區的危險“蝴蝶”地雷。

賓厄姆頓大學的研究人員先前已經開發出一種方法，該方法可以使用配備有紅外攝像頭的低成本商用無人機對“蝴蝶”地雷進行高精度檢測。他們的新研究集中在使用卷積神經網絡自動檢測地雷，卷積神經網絡是遙感領域中物體檢測和分類的標準機器學習方法。賓漢姆頓大學能源地球物理學助理教授阿列克·尼古林（Alek Nikulin）表示，這種方法是該領域的顛覆性游戲。

Nikulin說：“我們以前的所有努力都依賴于人眼對數據集的掃描。”“無人駕駛飛機的快速制圖和自動檢測可散布的雷區將有助于解決在最近的武裝沖突中廣泛使用小型可散布地雷的致命遺產，并允許建立一個有效的框架來有效地解決其可能的未來使用。”

據估計，世界上至少有1億具各種大小，形狀和組成的令人關注的軍火和爆炸裝置。其中數以百萬計的是帶有低壓觸發器的表面塑料地雷，例如大量生產的蘇聯PFM-1“蝴蝶”地雷。因體積小而得名這些地雷尺寸小巧，觸發質量低，最重要的是，這種設計幾乎排除了金屬成分，因此這些裝置幾乎很難被金屬探測器探測到。至關重要的是，該地雷的設計加上較低的觸發重量使其成為“玩具地雷”的惡名，原因是在游戲時發現這些裝置的小兒童的傷亡率很高，他們是PFM-1的主要受害者在阿富汗等沖突后國家。

根據紐約州立大學賓厄姆頓大學的研究，使用先進的機器學習技術，無人駕駛飛機可以用來檢測沖突后國家偏遠地區的危險“蝴蝶”地雷。圖片來源：賓厄姆頓大學，紐約州立大學

研究人員認為，這些探測和制圖技術具有普遍性，可以轉移到其他令人關注的彈藥和爆炸物上。例如，它們可以適用于為簡易爆炸裝置（IED）檢測和繪制受干擾的土壤。

研究人員寫道：“基于卷積神經網絡（CNN）的方法對地雷的自動檢測和制圖非常重要，”“第一，它比從正射影像（即經過幾何校正的航空影像）中手動計算地雷要快得多。第二，它是定量的和可再現的，與主觀的人為錯誤傾向的目視檢測不同。第三，基于CNN這些方法很容易推廣，可以從任何遙感光柵圖像中檢測和映射具有不同大小和形狀的任何物體。”