Au moins 57 pays possèdent des mines antipersonnelles actives sur leur territoire. Rien qu’en 2024, 1 945 personnes ont été tuées et 4 325 blessées par ces mines, dont 90 % étaient des civils. Près de la moitié des victimes étaient des enfants. Les opérations de déminage ont permis de neutraliser 105 640 mines la même année.
Avec l’apparition de nouveaux conflits, le nombre de mines ne cesse d’augmenter. Pour les agriculteurs, les enfants et les autres personnes qui retournent dans les zones de conflit, un seul faux pas peut entraîner des blessures permanentes, voire la mort.
Je suis doctorant au département des sciences de l’imagerie du Rochester Institute of Technology, où je travaille avec Emmett Ientilucci . Mes recherches portent sur l’utilisation de l’imagerie multisensorielle embarquée sur drones et de l’intelligence artificielle pour améliorer la rapidité, la précision et la fiabilité de la détection des mines terrestres et des munitions non explosées .
Nos recherches visent à atteindre cet objectif de trois manières : développer des techniques de combinaison de données provenant de plusieurs types de capteurs, constituer des ensembles de données de référence pour le développement et l’évaluation de systèmes de détection, et améliorer la fiabilité des méthodes de détection par IA en intégrant des estimations d’incertitude.
Des chercheurs ont utilisé ces mines terrestres inertes et ces munitions non explosées pour tester des capteurs embarqués sur drones. Baur et al.
Plusieurs capteurs depuis le dessus
La détection des mines terrestres repose encore largement sur des méthodes au sol, chacune présentant de sérieuses limitations. Les détecteurs de métaux portatifs sont souvent peu performants dans les sols riches en minéraux et peinent à détecter de manière fiable les mines à faible teneur en métaux ou composées principalement de plastique . Le géoradar peut détecter les objets non métalliques, mais ses performances sont médiocres sur les terrains humides ou accidentés, ou encore couverts de végétation, et il génère souvent un taux élevé de fausses alarmes . Le sondage manuel et l’utilisation d’animaux détecteurs entraînés restent des méthodes efficaces pour localiser les mines terrestres, mais le processus est lent, gourmand en ressources et expose les démineurs à des risques considérables. À l’échelle du déploiement des mines terrestres observé en Ukraine et dans d’autres régions de conflit ou d’après-conflit, les prospections au sol seules ne suffisent pas.
Les opérations de déminage utilisent de plus en plus l’imagerie aérienne par drone pour accélérer les relevés de mines terrestres , notamment celles posées en surface. Cependant, le camouflage, la végétation et les variations de luminosité rendent souvent ces mines quasiment invisibles sur les images conventionnelles.
Des recherches antérieures menées par mes collègues et moi-même ont examiné si la télédétection aérienne pouvait remplacer ou compléter les levés topographiques terrestres traditionnels. Nous avons évalué la faisabilité du remplacement des détecteurs de métaux portatifs par un système aéroporté de détection de métaux pour la détection des mines terrestres et des munitions non explosées.
Les résultats ont démontré que la détection magnétique embarquée sur drone permet de détecter des cibles métalliques avec une précision comparable aux méthodes terrestres sur un site d’essai contrôlé, tout en réduisant les risques humains et en multipliant par dix la vitesse de prospection. Notre carte thermique, générée par un détecteur de métaux à induction électromagnétique aéroporté au-dessus d’un site d’essai, met en évidence les emplacements probables de mines terrestres enfouies et de munitions non explosées, illustrant ainsi comment la détection par drone peut explorer de manière sûre et efficace les zones minées.
La détection aérienne bénéficie de capteurs complémentaires. Les caméras RVB, qui détectent les images en lumière visible en couleur, capturent les caractéristiques visuelles des mines terrestres. Les capteurs thermiques révèlent les différences de température entre les mines et le sol environnant. Les capteurs multispectraux et hyperspectraux identifient les signatures des différents matériaux. Le radar à synthèse d’ouverture (SAR) détecte les changements de la surface terrestre. Le LiDAR cartographie les perturbations subtiles de la surface. Et les magnétomètres détectent les composants métalliques souterrains. Ensemble, ces capteurs permettent de traiter la variété des types de mines et des conditions de déploiement rencontrées en conditions réelles.
La détection des mines terrestres par drones, utilisant plusieurs capteurs et l’intelligence artificielle, peut améliorer la sécurité et la rapidité. Institut de technologie de Rochester
Malgré leur potentiel, les systèmes de détection de mines terrestres multisensorielles embarqués sur drones restent peu explorés. Les progrès sont freinés par le manque de jeux de données de référence accessibles au public, contenant des données issues de différents types de capteurs, dans des conditions de déploiement réalistes et avec des données de terrain précises (positions et profondeurs réelles des mines cibles). Sans ces données, les chercheurs ne peuvent comparer les algorithmes avec précision, valider les résultats des tests ni développer des modèles d’IA performants en dehors des environnements de test.
Constitution d’ensembles de données pour la détection des mines
Pour relever ce défi, notre équipe, en collaboration avec plusieurs autres chercheurs, a travaillé avec l’organisme à but non lucratif Demining Research Community afin de recueillir un ensemble de données exhaustif. Nous avons utilisé le terrain d’essai contrôlé de Demining Research Community en Oklahoma, qui comprenait plus de 140 cibles de mines terrestres inertes et de munitions non explosées.
Nous avons collecté un vaste ensemble de données géoréférencées et multisensorielles à l’aide de plateformes terrestres et aéroportées (drones) à différentes altitudes. Nous avons utilisé des caméras hyperspectrales, multispectrales, thermiques, RGB, LiDAR, radar à synthèse d’ouverture (SAR), géoradar (GPR), des détecteurs de métaux à induction électromagnétique (EMI) et des magnétomètres. Cet ensemble de données fera l’objet d’un article scientifique actuellement en cours d’évaluation. Nous avons déjà publié une partie de ces données – plus précisément un ensemble de données hyperspectrales visibles et proche infrarouge acquises à 20 mètres d’altitude – lors d’une conférence .
Les chercheurs ont utilisé ces répliques 3D de mines PFM-1 vertes et brunes sur un site d’essai.
Nous avons étendu cette initiative à l’international grâce à une collaboration avec l’Académie royale militaire de Belgique dans le cadre d’une vaste campagne de collecte de données . Ensemble, nous avons déployé plus de 110 répliques de mines PFM-1 sur des terrains et dans des conditions de végétation variés.
Pour simuler des champs de mines réalistes, nous avons dispersé des mines inertes afin d’approcher leur dispersion aérienne. Chaque mine a été précisément relevée et géolocalisée à l’aide de stations GPS. Nous avons ensuite collecté des données à différentes altitudes grâce à des drones équipés de capteurs hyperspectraux, multispectraux, thermiques, RGB, LiDAR et de polarisation réduisant l’éblouissement.
D’autres groupes de recherche, participants et partenaires industriels, notamment des fabricants de capteurs, ont recueilli des données supplémentaires sur le même terrain d’essai. Ces données sont en cours de traitement et seront bientôt disponibles en libre accès.
À notre connaissance, il s’agira des premiers jeux de données de ce type accessibles au public, ouvrant ainsi de nouvelles perspectives non seulement pour la recherche sur la détection des mines terrestres, mais aussi pour l’ensemble de la communauté de l’IA et de la télédétection. En rendant ces données librement accessibles, nous souhaitons accélérer la recherche sur la fusion de données multisensorielles, améliorer la fiabilité des systèmes de détection basés sur l’IA et contribuer à rapprocher la recherche académique des besoins des développeurs industriels et des organisations humanitaires.
Ce champ d’essai comportait 110 répliques de mines PFM-1 dont les positions étaient géolocalisées (encart) afin de calibrer les expériences avec des détecteurs. Institut de technologie de Rochester
Mesurer la fiabilité
Même en calibrant soigneusement vos capteurs à l’aide de nos données, il est essentiel de prendre en compte les limites de cette technologie. Dans des applications comme la détection de mines terrestres, une simple erreur peut être fatale. Une part importante de mes recherches porte sur la fiabilité de l’IA et l’estimation de l’incertitude. Dans une étude récente, nous avons mis au point une mesure de l’incertitude d’un modèle d’IA quant à ses prédictions.
Plutôt que d’exiger des modèles des prédictions toujours fiables, nous développons des méthodes permettant aux systèmes d’exprimer une incertitude. Notre objectif est de fournir une mesure d’incertitude en complément des prédictions : plus les données d’entrée sont bruitées ou ambiguës, plus le score d’incertitude est élevé. Cette information peut aider les opérateurs de déminage à prendre des décisions plus sûres et plus éclairées, notamment dans des conditions difficiles ou incertaines.
La publication de ces jeux de données ouvrira, selon nous, de nouvelles perspectives aux chercheurs en intelligence artificielle et en télédétection pour explorer la fusion de données multisensorielles. Ces jeux de données couvrent une grande variété de cibles, de tailles, de formes et d’orientations diverses, et toutes les données sont entièrement géoréférencées et assorties de données de terrain précises. Chaque cible ayant été observée par plusieurs capteurs à différentes altitudes, les chercheurs pourront réaliser des analyses comparatives entre les capteurs individuels et les approches de détection combinées. Ceci contribuera au développement d’algorithmes de détection plus fiables, plus sûrs et plus rapides, adaptés aux besoins réels du déminage.
Au fond, cette recherche ne porte ni sur les algorithmes ni sur les drones, mais sur les personnes. Il s’agit de permettre aux agriculteurs de récupérer leurs terres, aux enfants d’aller à l’école en toute sécurité et aux communautés de se reconstruire sans crainte. En combinant l’IA, les drones et la science ouverte, nous visons à transformer la détection des mines antipersonnel, une pratique lente et dangereuse, en un processus plus sûr, plus intelligent et plus adaptable, contribuant ainsi à faire des zones post-conflit des lieux où la vie peut renaître.
