Аналіз і попереднє оброблення магнітометричних даних для систем виявлення мін на основі мереж Колмогорова-Арнольда
Анотація
Наведено результати аналізу та попереднього оброблення магнітометричних даних для систем виявлення мін на основі мереж Колмогорова-Арнольда. У дослідженні використано дві архітектури мереж Колмогорова-Арнольда, що відрізняються розмірністю прихованих шарів, а саме: KAN₁ (8-17-9-2) та KAN₂ (19-37-20-2). Це дало змогу оцінити вплив складності моделі на якість виявлення магнітних аномалій. Дослідження зумовлене потребою підвищити точність автоматизованого виявлення вибухонебезпечних об'єктів за результатами безпілотного аеромагнітного знімання, оскільки сирим вимірюванням зазвичай характерні висока щільність, часова неузгодженість між сенсорним і навігаційним журналами, дубльовані записи, шум і локальні аномальні відхилення, що обмежують їх безпосереднє використання в завданнях машинного навчання моделей. У дослідженні розроблено конвеєр підготовки магнітометричного набору даних, який поєднує фізично обґрунтоване їх попереднє оброблення, інженерію ознак і формування вхідних змінних, придатних для подальшого моделювання процесу виявлення мін. Для досягнення цієї мети проаналізовано структуру сирих журналів реєстрації знімання, виконано часову синхронізацію навігаційних і магнітних записів, видалено дублікати, перевірено фізичну узгодженість загальної інтенсивності магнітного поля та його векторних компонент, а також нормалізовано ключові просторові й часові параметри. Окрім цього, сформовано інформативні похідні ознаки, зокрема – циклічне кодування курсу, просторове зміщення, швидкість руху платформи, перші різниці магнітного сигналу, горизонтальну складову поля та залишкову магнітну компоненту після локального згладжування фонового поля. Отримані результати показали, що корисний сигнал від підповерхневого феромагнітного об'єкта проявляється як слабке локальне збурення на тлі значно потужнішого геомагнітного фону; відповідно, тільки абсолютна інтенсивність магнітного поля не є достатньою для надійної бінарної класифікації магнітних аномалій. Аналіз магнітометричних даних також засвідчив, що орієнтація сенсора та висота польоту безпілотного літального апарата (висота сенсора над поверхнею) можуть формувати псевдоаномалії, тоді як сильна взаємозалежність між магнітними компонентами вимагає, щоб модель розпізнавала фізично змістовні локальні відхилення, а не випадкові геометричні ефекти. Зокрема, м'яке маркування аномалій дає змогу зберегти діагностично значущі піки сигналу без вилучення потенційно цінних спостережень на етапі попереднього оброблення. Внаслідок запропонований підхід перетворює неоднорідні сирі журнали UAV-аеромагнітного знімання на структурований ознаковий простір, придатний для навчання мереж Колмогорова-Арнольда. Навчена модель досягла accuracy 0.9980, precision 0.7295, recall 0.9628, F1-score 0.7839 і ROC AUC 0.9970, що підтверджує високу розрізнювальну здатність на тестових даних. Практична цінність роботи полягає у створенні відтворюваного конвеєра підготовки даних для інтелектуальних систем підтримки прийняття рішень у гуманітарному розмінуванні, а подальші етапи дослідження доцільно спрямувати на перевірку підходу на ширших польових вибірках, у мінливіших умовах середовища та для інших класів локальних феромагнітних аномалій.
Завантаження
Посилання
Barašin, I., Bertalanič, B., Mohorčič, M., & Fortuna, C. (2024). Exploring Kolmogorov-Arnold networks for interpretable time series classification. arXiv. https://doi.org/10.48550/arXiv.2411.14904
Chaudhuri, A. (2021). B-splines. arXiv. https://doi.org/10.48550/arXiv.2108.06617
Cheon, M. (2024). Kolmogorov-Arnold network for satellite image classification in remote sensing. arXiv. https://doi.org/10.48550/arXiv.2406.00600
de Ville, B. (2013). Decision trees. Wiley Interdisciplinary Reviews: Computational Statistics, 5(6), 448–455. https://doi.org/10.1002/wics.1278
Drokin, I. (2024). Kolmogorov-Arnold convolutions: Design principles and empirical studies. arXiv. https://doi.org/10.48550/arXiv.2407.01092
Erdmann, J., Mausolf, F., & Späh, J. L. (2024). Can Kolmogorov-Arnold networks improve high energy physics classification tasks?arXiv. https://doi.org/10.48550/arXiv.2408.02743
International Campaign to Ban Landmines – Cluster Munition Coalition. (2023). Landmine Monitor 2023. URL: https://backend.icblcmc.org/assets/reports/Landmine-Monitors/LMM2023/Downloads/Landmine-Monitor-2023_web.pdf
KindXiaoming. (2024). PyKAN: Kolmogorov-Arnold networks in PyTorch [Computer software]. GitHub. URL: https://github.com/KindXiaoming/pykan
Lampinen, J., & Vehtari, A. (2001). Bayesian approach for neural networks: Review and case studies. Neural Networks, 14(3), 257–274. https://doi.org/10.1016/S0893-6080(00)00098-8
Lee, J., & Lee, H. (2024). Modeling residual magnetic anomalies of landmines using UAV-borne vector magnetometer: Flight simulations and experimental validation. Remote Sensing, 16(16), article ID 2916. https://doi.org/10.3390/rs16162916
Li, Q., Sun, F., Zhang, H., & Gao, Z. (2023). UAV anomaly detection using convolutional autoencoder and support vector data description. Computers, Materials & Continua, 76(2), 2451–2467. https://doi.org/10.32604/cmc.2023.038765
Liu, Z., Wang, Y., Vaidya, S., Ruehle, F., Halverson, J., Soljačić, M., Hou, T. Y., & Tegmark, M. (2024). KAN: Kolmogorov-Arnold networks. arXiv. https://doi.org/10.48550/arXiv.2404.19756
Lytvyn, V., Peleshchak, I., Peleshchak, R., Mediakov, O., & Pukach, P. (2023). Development of a hybrid neural network model for mine detection by using ultrawideband radar data. Eastern-European Journal of Enterprise Technologies, 3(9(123)), 78–85. https://doi.org/10.15587/1729-4061.2023.279891
Mu, Y., Zhang, X., Xie, W., & Zheng, Y. (2020). Automatic detection of near-surface targets for unmanned aerial vehicle magnetic surveys. Remote Sensing, 12(3), article number 452. https://doi.org/10.3390/rs12030452
Peleshchak, R. M., Lytvyn, V. V., Nazarkevych, M. A., Peleshchak, I. R., & Nazarkevych, H. Y. (2024). Influence of symmetry in neural network morphology on mine detection metrics. Symmetry, 16(4), article number 485. https://doi.org/10.3390/sym16040485
Peleshchak, R., Lytvyn, V., Peleshchak, I., Beltiukov, V., Chystyakov, D., & Kis, Y. (2025). Detection and recognition of mines using magnetic field sensors and Kolmogorov-Arnold networks. In Proceedings of the International Conference MoMLeT-2025. Lviv – Shatsk, Ukraine. URL: https://ceur-ws.org/Vol-4004/paper20.pdf
Poliachenko, I., et al. (2024). MinesEye: UAV-based unexploded ordnance detection system for enhanced demining in Ukraine. In Proceedings of CTRO Mine Action 2025 (p. 38). Croatian Mine Action Centre – Centre for Testing, Development and Training. URL: https://www.ctro.hr/userfiles/files/BROSURA%20CTRO%20MINE%20ACTION_2025_za%20web.pdf
Poliachenko, I., Kozak, V., Cherkes, S., Bondar, K., & Batiuk, A. (2025). Demining-purposed UAV magnetometry and archaeological heritage management: Ukrainian case. ArcheoSciences, 49(1), 485–488. https://doi.org/10.4000/archeosciences.13254
Qamar, R., & Zardari, B. A. (2023). Artificial neural networks: An overview. Mesopotamian Journal of Computer Science, 2023, 124–133. https://doi.org/10.58496/MJCSC/2023/015
Schikorra, M., & Bajić, M. (2023). Detection of ferromagnetic landmines with a UAV-based magnetometer: Demonstration and verification. In Proceedings of the 19th International Symposium Mine Action 2023 (pp. 48–50). Vodice, Croatia. URL: https://www.ctro.hr/userfiles/files/MINE-ACTION-2023_.pdf
SENSYS GmbH. (2025). MagDrone R4: High-resolution mapping survey kit (Product data sheet V1.03). SENSYS GmbH. URL: https://sensysmagnetometer.com/products/magdrone-r4-magnetometer-for-drone/
Somvanshi, S., Javed, S. A., Islam, M. M., Pandit, D., & Das, S. (2024). A survey on Kolmogorov-Arnold networks. arXiv. https://doi.org/10.48550/arXiv.2411.06078
Stele, A., Kaub, L., Linck, R., & Fassbinder, J. W. E. (2025). Drone magnetometry for high-resolution near-surface prospecting. ArcheoSciences, 49(1), 461–462. https://doi.org/10.4000/archeosciences.13025
Vanneschi, L., & Silva, S. (2023). Support vector machines. In Lectures on Intelligent Systems (pp. 271–281). Springer. https://doi.org/10.1007/978-3-031-17922-8_10
Wang, Y., Liu, J., Zhang, H., & Chen, X. (2024). UAV magnetic interference compensation and anomaly detection based on adaptive filtering methods. IEEE Sensors Journal, 24(3), 4125–4137. https://doi.org/10.1109/JSEN.2023.3321456
Yilmaz, C., Kahraman, H. T., & Soyler, S. (2018). Passive mine detection and classification method based on a hybrid model. IEEE Access, 6, 47870–47888. https://doi.org/10.1109/ACCESS.2018.2866538
Yoo, L.-S., Lee, J.-H., Lee, Y.-K., Jung, S.-K., & Choi, Y. (2021). Application of a drone magnetometer system to military mine detection in the demilitarized zone. Sensors, 21(9), article ID 3175. https://doi.org/10.3390/s21093175
Zhang, X., Mu, Y., Xie, W., & Zheng, Y. (2021). Deep learning-based automatic detection of near-surface magnetic anomalies using UAV survey data. Remote Sensing, 13(5), article ID 987. https://doi.org/10.3390/rs13050987
Zhou, Q., Pei, C., Sun, F., Han, J., Gao, Z., Pei, D., Zhang, H., Xie, G., & Li, J. (2024). KAN-AD: Time series anomaly detection with Kolmogorov-Arnold networks. arXiv. https://doi.org/10.48550/arXiv.2411.00278
