YOLO-BASED SYSTEMS FOR DETECTING EXPLOSIVE REMNANTS OF WAR: A REVIEW FOR HUMANITARIAN DEMINING
Andrii Podorozhniak · Denys Levchenko · Nataliia Liubchenko 等 5 人
综述YOLO模型在无人机人道排雷中检测地雷与未爆弹药的技术管线。
综述探地雷达、磁力、热成像、多/高光谱、无人机与GIS结合YOLO的方法。
YOLO可快速定位危险目标，但受小目标、伪装、域偏移等限制，不能单独判定区域安全。
可将多传感器+YOLO的排雷管线迁移到农田未爆物检测与农业遥感安全评估中。
主题为人道主义排雷中的YOLO目标检测综述，属军事安全与遥感交叉领域，与三农、农业信息化无直接关联，不建议进入每日精选。
相关性。人道主义排雷仍然是一项关键的安全挑战，因为战争遗留爆炸物、地雷和未爆弹药继续危及平民并阻碍冲突后恢复。在此背景下，人工智能和计算机视觉越来越多地被用于支持基于无人机（UAV）的勘察作业中的危险物体检测。本文旨在综合当前对地雷、未爆弹药和其他战争遗留爆炸物的检测方法，并明确YOLO模型在危险区域勘察集成技术流程中的作用。综述的对象是利用无人机、传感器系统、地理信息技术和YOLO系列模型检测危险物体的技术解决方案。论文的主题是基于YOLO的系统在集成流程中从视觉和光谱数据定位潜在爆炸物体的应用。研究结果。综述表明，现代方法结合了探地雷达、磁力测量、热传感、多光谱成像、高光谱成像、基于无人机的检查、GIS平台以及边缘/云架构。YOLO在快速定位视觉或光谱上可表现出的危险物体指标方面展现出强大潜力，尤其是与其他传感模态结合使用时。结论。与此同时，YOLO不能作为宣布某一区域安全的唯一依据。其应用受到目标尺寸小、伪装、域偏移、标注数据集有限以及假阴性成本高的制约。因此，基于YOLO的检测应被视为多传感器、人工监督的决策支持系统中的一个组成部分。