MARC

 008260126s2025        us                              c    eng  d
■001000017360075
■00520260202105300
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263301378
■035    ▼a(MiAaPQ)AAI32280786
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a550
■1001  ▼aBaur,  Jasper.
■24510▼aTowards  Operational  UAS-Based  Landmine  Detection:  Vegetation,  Validation,  and  Geophysical  Application
■260    ▼a[Sl]▼bColumbia  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a204  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Nitsche,  Frank  O.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2025.
■520    ▼aThis  dissertation  addresses  the  decades  old  humanitarian  crisis  of  landmine  and  unexploded  ordnance  contamination  by  applying  modern  advances  in  unmanned-aerial  vehicles  (UAV),  geophysical  sensors,  and  computer  vision.  Chapter  1  focuses  on  quantifying  the  effect  of  vegetation  on  detecting  surface  ordnance.  Potentially  the  most  important  consideration  for  UAV-based  object  detection  in  the  natural  environment  is  vegetation  height  and  foliar  cover,  which  can  visually  obscure  the  items  a  machine  learning  model  is  trained  to  detect.  Hence,  the  accuracy  of  aerial  detection  of  objects  such  as  surface  landmines  and  UXO  is  highly  dependent  on  the  height  and  density  of  vegetation  in  a  given  area.  In  this  study,  we  develop  a  model  derived  from  an  area's  digital  surface  model  that  estimates  the  detection  accuracy  (recall)  of  an  object  detection  model  as  a  function  of  occlusion  due  to  vegetation  coverage.  This  methodology  has  significant  implications  for  determining  the  optimal  location  and  time  of  year  for  UAV-based  object  detection  tasks  and  quantifying  the  uncertainty  of  deep  learning  object  detection  models  in  the  natural  environment.  Chapter  2  develops  the  physical  infrastructure  required  to  advance  landmine  detection  research  by  designing  and  creating  a  comprehensive  and  realistic  seeded  minefield  with  143  diverse  types  of  explosive  ordnance.  The  field  is  designed  to  accelerate  research  in  the  field  of  humanitarian  mine  action  by  providing  an  accessible,  diverse  testing  area  located  at  OSU's  Center  for  Fire  and  Explosives,  Forensic  Investigation,  Training  and  Research  range  in  Pawnee,  Oklahoma  to  address  the  lack  of  realistic  accessible  test  sites  for  mine  action  researchers.  Chapter  3  introduces  the  anomaly  (A),  identifiable  anomaly  (I),  and  unique  identifiable  anomaly  (U)  AIU  Index,  which  is  an  object  detection  disambiguation  framework,  that  enables  the  comparison  of  different  geophysical  and  imagery-based  detection  modalities  while  taking  into  account  the  detection  fidelity  and  corresponding  false  positive  rate.  The  AIU  index  prescribes  essential  context  for  false-positive-sensitive  or  resolution-poor  object  detection  tasks  such  as  landmine  detection  with  applications  in  modality  comparison,  machine  learning,  and  remote  sensing  data  acquisition.  Finally,  Chapter  4  builds  on  the  efforts  of  Chapters  1,  2,  and  3  by  comparing  UAV-based  geophysical  techniques  for  landmine  detection  with  the  AIU  Index  on  the  seeded  minefield.  This  chapter  encompassed  the  largest  ever  multi-modal  remote  sensing  datasets  on  a  seeded  minefield  and  assessment  on  the  state-of-art  UAV-based  explosive  ordnance  detection  methods.  Across  34  distinct  datasets  and  143  explosive  ordnance  items,  we  systematically  assess  state-of-the-art  UAV-based  remote  sensing  methods  spanning  visual,  thermal,  multispectral,  hyperspectral,  LiDAR,  synthetic  aperture  radar,  magnetometry,  and  ground-penetrating  radar  (GPR),  alongside  handheld  and  cart-based  electromagnetic  induction  (EMI)  metal  detection,  spectroscopy,  and  GPR.  In  conclusion,  we  found  UAV-based  RGB  imagery  was  the  most  cost  effective,  scalable,  and  highest  accuracy  method  for  detecting  surface  targets,  and  the  traditional  handheld  EMI-based  metal  detector  was  the  most  effective  way  to  detect  subsurface  targets.  This  work  aims  to  advance  UAV-based  landmine  detection  toward  achieving  tangible  humanitarian  impact  in  conflict  and  post-conflict  regions.
■590    ▼aSchool  code:  0054.
■650  4▼aGeophysics
■650  4▼aGeographic  information  science
■650  4▼aRemote  sensing
■653    ▼aDrones
■653    ▼aLandmine  detection
■653    ▼aObject  detection
■653    ▼aUnmanned-aerial  vehicles
■690    ▼a0373
■690    ▼a0800
■690    ▼a0370
■690    ▼a0467
■690    ▼a0799
■71020▼aColumbia  University▼bEarth  and  Environmental  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360075▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서