JP3642775B2

JP3642775B2 - Method and apparatus for detecting an object in the ground, and moving body

Info

Publication number: JP3642775B2
Application number: JP2002365467A
Authority: JP
Inventors: 正義牧野; 隆宏荻野; 光雄神野; 譲高濱
Original assignee: Kawasaki Jukogyo KK
Current assignee: Kawasaki Motors Ltd
Priority date: 2002-12-17
Filing date: 2002-12-17
Publication date: 2005-04-27
Anticipated expiration: 2022-12-17
Also published as: JP2004198195A

Description

【０００１】
【発明の属する技術分野】
本願発明は、従来の方法では探知に熟練を要していた地中の物体であっても、軽易な訓練で効果的に探知することができ、探知処理を自動化することが可能な地中の物体を探知する方法及びその実施に使用する装置、並びに当該装置を搭載した移動体に関する。
【０００２】
【従来の技術】
対戦車地雷（ATM: Anti-tank Mines）及び対人地雷（APM: Anti-personnel Mines）に代表される地雷は、世界中の紛争地域で使用されている。現在、世界中で１億個を超える数の地雷が埋設されたままとなっており、紛争後におけるこれらの除去は困難を極めている。
【０００３】
紛争後の地雷除去、所謂、人道的地雷除去においては、地雷原となっている土地での生活を前提としていることから、その地雷原に埋設された地雷のすべてを除去しなければならないが、これらの地雷に付与された例えば「アンチ・ハンドリング・デバイス（Anti-handling Devices）」及び「アンチ・ディスターバンス・デバイス（Anti-disturbance Devices）」等の技術により、埋設された地雷の探知及び除去は困難となっているのが実情である。
【０００４】
これらの技術には、例えば、地雷探知器の磁場に反応して起爆するもの、数回の圧力付加によって起爆する種類のもの等があり、前者の種類では、作動中の地雷探知器を近付けただけで起爆する可能性がある。また、後者の種類では、地雷処理車が通過したときには起爆せず、これに続いて通過する地雷処理車以外の車両が通過したときに起爆する可能性がある。
【０００５】
このような実情の中、地雷を除去する方法としては以下の如きものが一般的である。例えば、地表からの圧力付加により起爆する種類の地雷に対しては、ホイールローラの如き態様の地雷処理車で地雷原を走行することにより爆破除去することができる。しかしながら、地雷原は平坦な土地ばかりではなく、地雷処理車が走行できない土地も多い。また、地雷処理車が走行できるような平坦な土地であっても、前述したような複数回の圧力付加によって起爆する種類の地雷にあっては、その信管の起爆までの圧力付加回数の設定が不明である以上、地雷処理車による地雷の完全な除去は望めない。
【０００６】
また、地雷原において外部から爆発を発生させ、そのときの爆風及び地面の振動等により、埋設された地雷の起爆を誘発させることも行なわれている。しかしながら、地雷の信管がその外部からの爆発により確実に作動するかどうかは不明であり、地雷の中には、非作動率が５％〜３０％と言われる自己不活性化機能付きのものもあり、やはり確実な除去は望めない。
【０００７】
そこで、従来から以上の如き除去方法に加え、残った地雷を探知して手作業にて掘り出すことによって除去することに頼らざるを得ないのである。
【０００８】
地雷の探知方法としては、金属探知器を利用する方法が主流であるが、対人地雷の多くは金属以外の材料を利用しているものが多いため、対人地雷を金属探知器のみで探知することは困難である。
【０００９】
別の探知方法としては、地中レーダ，磁気センサ，Ｘ線センサ，及び赤外線センサ等を利用し、発生した電磁波を地中に伝播させ、その反射波を検出して可聴音に変換して人間の聴覚をもって地雷を識別したり、反射波に基づいて地中の状態を画像表示して人間が視覚的に地雷を識別するものがある。この方法によれば、非金属，非磁性材料等からなる地雷であっても探知することができる（例えば、特許文献１乃至３参照）。
【００１０】
【特許文献１】
特許第3309242号明細書
【特許文献２】
特開平8-122279号明細書
【特許文献３】
特許第3015643号明細書
【００１１】
【発明が解決しようとする課題】
しかしながら、地中には、例えば金属製の異物が埋まっており、特に、紛争地帯であった土地には武器，弾薬，及び爆発物等の破片が多量に埋まっていることから、誤認識の割合が高くなるのが現状である。誤認識の割合を下げるために探知感度（反射波の信号強度の閾値）を下げることも考えられるが、そうすると小型の対人地雷を探知することができなくなるという新たな問題が生じる。
【００１２】
また、例えば、土中の水分が多い場合には、土中の水分が反射体となって誤認識を招いたり、土地によっては金属成分（多くは、鉄分）を多く含む土質である場合もあり、また、土質が不均一である場合もあって、このような土地における探知精度は更に低下する。
【００１３】
さらには、センサ類による聴音又は画像から地雷を識別するのは人間の判断に頼っており、その特定には多くの熟練を要することから、地雷探知にかかる需要に十分応えることができない。
【００１４】
しかし、現状においては上記の如き探知方法に頼らざるを得ないことから、たとえ誤認識であったとしても、その確証がない以上その場所をすべて手作業で掘り起こす必要があり、その作業量は甚大である。
【００１５】
本願発明は、上記状況に鑑みて行なわれたものであり、センサによる反射波の画像化情報を２値化し、２値化画像をニューラルネットワークを利用して識別することにより、探知処理を自動化することができ、また、オペレータの熟練を要しない高い探知精度を提供することができる地中の物体を探知する方法及びその実施に使用する装置、並びに当該装置を搭載した移動体を提供することを目的とする。
【００１６】
【課題を解決するための手段】
本願発明は、上記課題を以下のような構成からなる地中の物体を探知する方法及び装置、並びに当該装置を搭載した移動体によって解決することができる。
【００１７】
本願発明に係る地中の物体を探知する方法は、発生した電磁波を地中に伝播させ、地中からの反射波をセンサにより検出し、検出結果を画像化し、画像化した前記反射波の状態に基づいて地中の物体を探知する方法において、前記反射波の画像化情報を２値化し、２値化画像に基づいて、地中の物体をニューラルネットワークを利用して識別することを特徴とする。
【００１８】
また、本願発明に係る地中の物体を探知する装置は、発生した電磁波を地中に伝播させ、地中からの反射波をセンサにより検出し、検出結果を画像化し、画像化した前記反射波の状態に基づいて地中の物体を探知する装置において、前記反射波の画像化情報を２値化する２値化手段と、該２値化手段による２値化画像に基づいて、地中の物体をニューラルネットワークを利用して識別する識別手段とを備えることを特徴とする。
【００１９】
上記発明によれば、検出後に画像化（可視化）可能な電磁波を地中に伝播させ、センサにより、地中からの反射波に基づいて地中の状態を画像化し、まず、前記センサによる画像化情報（通常は、階調画像である）を２値化することによって、コンピュータ等の演算装置による自動処理を可能とする。そして、前記演算装置により、２値化画像をニューラルネットワークを利用して処理し、探知対象となる地中の物体（例えば、地中に埋設された地雷）を識別することにより、単純な閾値による従来の識別方法と比べて、高度な訓練なしに非常に高精度な探知を行なうことが可能となる。
【００２０】
なお、地中に伝播させる電磁波の発生機能は、本願発明に係る装置に備えさせてもよく、また、当該装置とは別体に設ける構成とすることも可能である。
【００２１】
上記センサとしては、地中レーダ、能動型及び受動型の磁気センサ，Ｘ線センサ，及び赤外線センサ等のその検出信号を画像化可能な種々のセンサを採用することが可能である。また、物体の識別精度を向上させるために、これら複数種類のセンサを組み合わせて利用することも可能である。好ましくは、例えば、インパルスセンサを備えた地中レーダ、及び能動型の磁気センサ（所謂、アクティブ磁気センサ）の２つを採用する。
【００２２】
上記ニューラルネットワークとしては、階層型であり、オンライン又はオフラインでの教育が可能なバックプロパーゲーション・ニューラルネットワーク（BPNN：Back-propagation Neural Network）を採用することが望ましく、このようなバックプロパーゲーション・ニューラルネットワークによれば、学習によって、より高精度な識別を行なうことができる。
【００２３】
このニューラルネットワークの入力層には、上記センサの検出結果（出力）の２値化画像から抽出した検出物の一又は複数の任意の特徴量を入力し、出力層としては、例えば、「地雷」，「非地雷」，「金属対人地雷」，「非金属対人地雷」，「金属対戦車地雷」，及び「非金属対戦車地雷」等の探知対象となる物体の種類に応じたカテゴリを設けることができる。
【００２４】
上記入力層に入力する検出物の特徴量としては、例えば、上記センサが地中レーダである場合には、地中レーダの「検出物の走査方向サイズ」，「検出物の深度方向サイズ」，「検出物の断面積」，「検出物の断面円形度」，及び「検出物のレーダ後方断面積（RCS：Radar Cross Section）」等とすることができる。なお、地中レーダとして、複数の地中レーダを採用することも可能であり、これら複数の地中レーダを走査方向に対して略直交するようにアレイ状に配置することも可能である。
【００２５】
また、上記センサが磁気センサである場合には、磁気センサの「検出物の走査方向サイズ」，「検出物の平面面積」，及び「検出物の平面円形度」等とすることができる。また、複数の磁気センサを採用することも可能であり、これら複数の磁気センサを走査方向に対して直交するようにアレイ状に配置することも可能である。このような場合には、上記特徴量として「検出物のセンサアレイ方向サイズ」を含めることが可能である。
【００２６】
また、複数種類のセンサを採用する場合には、例えば、複数種類のセンサによる検出物の特徴量をそれぞれ入力することができる複数のニューラルネットワークを採用し、これら複数のニューラルネットワークにそれぞれ単独処理又は並列処理するように構成することが可能である。このように、複数のニューラルネットワークを採用することにより、より正確な識別を行なうことができる。
【００２７】
また、例えば、複数種類のセンサによる検出物の特徴量を組み合わせて入力することができる複合的なニューラルネットワークを採用することも可能であり、さらにこれに加えて、このような複合的なニューラルネットワークに対して並列処理することが可能な、一又は複数のセンサによる検出物の特徴量を入力することができる別のニューラルネットワークを採用することもできる。
【００２８】
この具体的な例としては、第１、第２、及び第３の３つのニューラルネットワークを採用し、地中レーダによる検出物の特徴量を第１のニューラルネットワークの入力層に入力し、磁気センサによる検出物の特徴量を第２のニューラルネットワークの入力層に入力し、地中レーダ及び磁気センサの両方による検出物の特徴量を第３のニューラルネットワークの入力層に入力する。
【００２９】
このように、複数のニューラルネットワークで並列に処理した結果を利用することにより、何れかのニューラルネットワークで識別できないような検出物に対して、更に正確な識別を行なうことが可能である。
【００３０】
以上の如き本願発明に係る方法を地雷探知に適用することにより、従来から探知することが困難であった対人地雷でさえも、高度な訓練なしに非常に高精度な探知を行なうことが可能となる。
【００３１】
さらに、上記の如き本願発明に係る方法を実施することができる装置を地雷処理車の如き移動体に搭載して利用することも可能であり、また、オペレータが運搬することが可能な小型のものとすることも可能である。
【００３２】
【発明の実施の形態】
以下、本願発明に係る地中の物体を探知する方法を実施するための装置について、地雷探知の用に供される当該装置を搭載した移動体を例として添付の図面を参照しながら具体的に説明する。
【００３３】
図１は、本願発明の実施の形態に係る方法を実施するための装置（例えば、地雷探知装置）の機能ブロック図である。なお、図１に示した本実施の形態に係る装置又は地雷探知装置は単なる例示であり、本願発明においては、このような構成に限定されるものではない。
【００３４】
図１において、本実施の形態に係る地雷探知装置は、インパルスセンサを有する地中レーダ1と、アクティブ磁気センサ2との２種類のセンサを備えている。これら２種類のセンサは、能動型のセンサであり、地中レーダ1は、地中にパルス状の電磁波を放射し、その反射波を対応するセンサ部分で検出するようになっており、また、アクティブ磁気センサ2は、一定の周波数の送信磁界を与え、それにより得られる誘導磁界を対応するセンサ部分で検出するようになっている。また、上記両センサは、それぞれ複数の素センサを有し、該複数の素センサは、走査方向に略直交する方向にアレイ状に配置されている。
【００３５】
地中レーダ1は、地中の状態を深度方向に検出することができる一方、磁気センサ2は、地中の状態をアレイ方向（即ち、センサチャンネル方向）に検出することができ、地中レーダ1及び磁気センサ2による検出信号は、それぞれの信号処理部11，21に与えられる。
【００３６】
図２（ａ）〜（ｃ）は、本実施の形態に係る地雷探知装置の地中レーダによる後述の各処理における画像データの形態を示す模式図であり、これらの図においては、縦軸に深度方向を、横軸に走査方向をそれぞれとってある。また、図３（ａ）〜（ｃ）は、本実施の形態に係る地雷探知装置の磁気センサによる後述の各処理における画像データの形態を示す模式図であり、これらの図においては、縦軸にチャンネル方向を、横軸に走査方向をそれぞれとってある。
【００３７】
地中レーダ1及び磁気センサ2のそれぞれの検出時点での画像データは、図２（ａ）及び図３（ａ）の如くなっており、各図において、各センサによる検出物は、大きい楕円（破線で示す）で示す範囲内にある。なお、図３（ａ）においては、白色の楕円領域（磁気センサ2による検出信号が「負」の部分）と灰色の楕円領域（磁気センサ2による検出信号が「正」の部分）との間の中間位置が磁気センサ2による検出物である。
【００３８】
信号処理部11，21は、一般的なフィルタリング処理機能を有し、各検出信号からノイズ成分を除去する。信号処理部11によりノイズ除去された地中レーダ1の検出信号は、分解能向上処理部12に与えられ、一方、信号処理部21によりノイズ除去された磁気センサ2の検出信号は、目標領域抽出処理部31へ与えられる。
【００３９】
分解能向上処理部12は、合成開口処理等による高分解能化・画像化機能を有し、信号処理部11から与えられたノイズ除去後の検出信号の空間的分布及び時間的な応答を強調して画像化すると共に、探知目標となる地雷の外形形状（一般的には短寸円柱形状）に対応した特有のパターンを生成する。
【００４０】
本実施の形態においては、合成開口処理が実施され、該合成開口処理では、具体的には、走査方向（所謂、アジマス方向）毎に取得した時間軸上の検出信号群（以後、「検出データ」という）を、或る点反射体と地中レーダ1との間の距離（即ち、伝播距離）の変化量に基づいた参照関数との相関を用いてアジマス方向に圧縮（所謂、アジマス圧縮）することにより、空間分解能を向上させる。この合成開口処理後の画像データの例は、図２（ｂ）に示してある。なお、地中レーダ1の検出信号に対して合成開口処理を実施する場合には、上記アジマス圧縮と併せて、レーダ波の帯域幅に応じたレンジ方向での検出データの圧縮（レンジ圧縮又はパルス圧縮）によるレンジ方向分解能向上がなされる。
【００４１】
分解能向上処理部12による処理結果は、上記目標領域抽出処理部31に与えられ、該目標領域抽出処理部31は、信号処理部21から与えられたノイズ除去後の検出信号に基づいて走査方向毎に取得した時間軸上の検出信号群（以後、「検出データ」という）と、分解能向上処理部12から与えられたノイズ除去及び強調処理後の検出データとからそれぞれ生成される画像データに対して、２値化処理後にラベリング処理を施すことによって、検出した地中の物体（以後、「目標物」という）にラベル番号を付与する。
【００４２】
具体的には、目標領域抽出処理部31は、一般的な画像処理機能を有し、地中レーダ1の画像データに対しては、図４のフローチャートに示す如く、上記ラベリング処理（ステップS14）に先立って、メディアンフィルタによる平滑化処理（ステップS11）、２値化処理（ステップS12）、及び収縮／膨張処理（ステップS13）を施し、目標物画像を背景画像から分離・抽出する。
【００４３】
また、目標領域抽出処理部31は、磁気センサ2の画像データに対しては、図５のフローチャートに示す如く、上記ラベリング処理（ステップS25）に先立って、微分処理（ステップS21）、メディアンフィルタによる平滑化処理（ステップS22）、２値化処理（ステップS23）、及び収縮／膨張処理（ステップS24）を施し、目標物画像を背景画像から分離・抽出する。
【００４４】
なお、磁気センサ2の画像データに対しては、ステップS23の２値化処理に先立って、微分処理を施している。これは、図３（ａ）に示した如き検出時点での画像データを２値化した場合、前述した「正」の部分のみを抽出する可能性があり、また、微分処理を施すことによって、目標物の中心部分を抽出することができるからである。この微分処理後の画像データの例は、図３（ｂ）に示してある。
【００４５】
上記ステップS11及びS22における平滑化処理では、より詳しくは、メディアンフィルタを利用し、画像データから、信号強度が大きいスパイク状のノイズを除去するために、次の（１）式で示すように、注目画素の近傍領域内の中間値（median）を出力する。
【００４６】
【数１】

【００４７】
また、ステップS12及びS23における２値化処理では、統計的な振幅変動の分散等を用いたデータ選別を行なうため、p-tile法を利用する。p-tile法において、背景画像よりも明るい目標物画像を切り出す場合の２値化閾値f_tは、次の（２）式で与えられる。なお、本願発明においては、２値化の方法をp-tile法に限定するものではないことは言うまでもない。
【００４８】
【数２】

【００４９】
但し、上記２値化閾値f_tのみでは、目標物が含まれていない背景画像までも切り出す虞があるため、画像データの分散値と、予め求めておいた背景画像の分散値の上限とを比較し、分散値が上限よりも大きい場合にだけ、画像データを２値化処理する。なお、p-tile法に用いる２値化閾値f_tは、予め実験等により求めておく。また、平均値m及び標準偏差σを求める領域は、目標物の大きさを基準とし、予め実験等により求めておく。
【００５０】
ステップS13及びS24における収縮／膨張処理では、後に続くラベリング処理での負荷を軽減すべく、次の（３）式及び（４）式を用いて収縮／膨張処理を行ない、孤立ノイズを除去する。
【００５１】
【数３】

【００５２】
この収縮／膨張処理は、収縮処理を数回実施し、その後、膨張処理を同じ回数実施することが望ましく、その回数は、実験結果等に応じて調整可能なパラメータとしておく。
【００５３】
ステップS14及びS25におけるラベリング処理では、抽出された領域（即ち、値１の画素群）を個々の目標候補に分離する。具体的には、画像データ全体を走査し、図６に示す如く、「値１の注目画素」とその近傍領域内の「値１の画素」との連結性を調べ、連結した「値１の画素」には同一ラベルを付与する一方、連結していない「値１の画素」には新規のラベルを付与する。次に、湾曲パターンでは、同一目標物に対して複数のラベルが付与されるため、ラベルの統合処理を実施する。
【００５４】
より詳しく説明すれば、図６において画素を矩形領域で示し、注目画素が黒色領域で示される画素であるものとする。この場合、当該注目画素に「a_ij」のラベルを付与し、４連結型のラベリングを採用した場合には、この注目画素「a_ij」の四方４つの隣接画素を調べる。図６では注目画素「a_ij」の上側及び左側の画素がそれぞれ当該注目画素に「a_ij」に連結しているものとすれば、上側の画素に「a_{i-1 j}」、左側の画素に「a_{i j-1}」という「a」のラベルを付与する（図６においてはそれぞれの画素をクロスハッチング領域で示してある）。また、８連結型のラベリングを採用した場合には、上記注目画素「a_ij」の周囲８つの隣接画素を調べ、上述と同様の方法にて同一のラベルを付与する（図６においてはそれぞれの画素を白色領域で示してある）。
【００５５】
以上の如く、地中レーダ1及び磁気センサ2のそれぞれの画像データについてラベリング処理が完了すると、目標領域抽出処理部31は、ラベリング後の各画像データを目標位置判定処理部32に与える。
【００５６】
目標位置判定処理部32は、地中レーダ1の画像データと磁気センサ2の画像データとの抽出された目標物の位置の整合と、同一目標物であるか否かの判定とを行なう。
【００５７】
地中レーダ1及び磁気センサ2を併用して使用する場合には、これらを水平面上の同一位置に配置することができない場合、また、両者の計測周期が一致していない場合には、地中レーダ1及び磁気センサ2のそれぞれの画像データを位置的に整合させる必要がある。
【００５８】
まず、図７に示す如く、本実施の形態においては、走査方向に向かって、地中レーダ1，磁気センサ2の順で配置してあり、地中レーダ1及び磁気センサ2の間の距離がdであるものとする。
【００５９】
この場合、図８（ａ）に示す如く、地中レーダ1の計測周期（即ち、計測間隔）がΔS_rであるとすれば、K_r回目の計測位置は、K_rΔS_rとなる。一方、図８（ｂ）に示す如く、磁気センサ2の計測周期（即ち、計測間隔）がΔS_mであるとすれば、K_m回目の計測位置は、K_mΔS_mとなる。これら各計測位置の整合は次の（５）式を用いて行なう。
【００６０】
【数４】

【００６１】
次いで、地中レーダ1では、１つの目標物を複数のチャンネルで検出する可能性があるため、各チャンネルで検出した目標物が同一の目標物であるか否かを、目標物の位置を推定することによって行なう。
【００６２】
例えば、或るチャンネルn1で検出された目標物の位置（ラベリングされた目標物の最も信号強度が高い位置）の信号強度をT_n1（n1，y_n1，z_n1）とし、これに隣接するチャンネルn2で検出された目標物の位置の信号強度をT_n2（n2，y_n2，z_n ₂）とし、n1とn2との間の距離をd_cとする。また、ここでは、yは走査方向の位置又は距離を表わし、zは深度方向の位置又は距離を表わす。
【００６３】
このとき、図９に示す如く、それぞれのチャンネルで検出された目標物の走査方向の距離が判定値y_dよりも近いこと（（６）式参照）、それぞれのチャンネルで検出された目標物の深度方向の距離が判定値z_dよりも近いこと（（７）式参照）の２つの条件の双方に合致しているものを１つの目標物としてラベリングし直す。なお、判定距離y_d，z_dは、予め実験等により求めておく。
【００６４】
【数５】

【００６５】
上記のような、検出された目標物の同一性の判断においては、考慮するチャンネルの相互距離が大きいと精度が低下する可能性があるため、可及的に隣接するチャンネル同士で考慮することが望ましい。
【００６６】
次に、図１０（ａ）及び（ｂ）に示す如く、同一目標物としてラベリングされた領域について、隣接チャンネル間でチャンネルアレイ方向に直線近似により内挿補間して見掛け上の分解能を向上させた平面画像データを得る。その後、再びp-tile法により目標物画像を抽出し、その面積重心位置xを採用する。また、１つのチャンネルでしか検出しなかった目標物に対しても、その隣接チャンネルのデータと内挿補間し、その後、p-tile法により目標物画像を抽出する。
【００６７】
一方、磁気センサ2では、目標物の位置を、前述の目標領域抽出処理でラベリングされた目標物の領域の面積重心位置とし、その位置をT_m（x_m，y_m）とする。なお、磁気センサ2では、深度方向の情報は得られず、目標物の水平方向位置のみ特定することが可能である。
【００６８】
次いで、地中レーダ1により検出された目標物の位置T_r（x_r，y_r，z_r）と、磁気センサ2により検出された目標物の位置T_m（x_m，y_m）とが、同一の目標物のものであるか否かを判定する。即ち、両者の位置が平面上で所定範囲内にある場合（次の（８）式参照）に、双方により検出された目標物に対して、同一目標物としてラベリングをし直す。このとき、磁気センサ2により検出された１つの目標物に対して、上記所定範囲内に、地中レーダ1により検出された複数の目標物がある場合には、その信号強度が強い方を採用する。なお、上記所定範囲は、種々の実験により決定する。
【００６９】
【数６】

【００７０】
具体的には、図１１（ａ）に示す如く、例えば、地中レーダ1により検出された目標物▲１▼の領域（図中ハッチングで示す）の面積重心位置を中心とした距離Dを半径とする円形範囲（図中破線で示す）を上記所定範囲とし、この所定範囲内に、磁気センサ2により検出された目標物aの領域の面積重心位置があれば、両者の目標物は同一物であると判定する。
【００７１】
一方、図１１（ｂ）に示す如く、例えば、地中レーダ1により検出された目標物▲２▼の領域（図中ハッチングで示す）の面積重心位置を中心とした距離Dを半径とする円形領域（図中破線で示す）を上記所定範囲とし、この所定範囲内に、磁気センサ2により検出された目標物bの領域の面積重心位置がなければ、両者の目標物は同一物でないと判定する。図１１（ｃ）の例では、目標物c及び目標物dは、上記所定範囲内にあるが、例えば、目標物cの信号強度が目標物dの信号強度よりも強い場合には、この信号強度が強い目標物cが地中レーダ1の目標物▲２▼と同一物であると判定し、目標物dは同一物でないと判定する。
【００７２】
また、地中レーダ1及び磁気センサ2の両方で検出された目標に対しては、走査方向の位置及び深さは、地中レーダ1の情報を、アレイ方向の位置は、磁気センサ2の情報をそれぞれ採用する。
【００７３】
なお、目標位置判定処理後の地中レーダ1及び磁気センサ2の２値化画像は、それぞれ図２（ｃ）及び図３（ｃ）に示す如きものである。
【００７４】
以上のような、地中レーダ1により検出された目標物に関する情報、磁気センサ2により検出された目標物に関する情報、並びに地中レーダ1及び磁気センサ2の双方で検出された目標物に関する情報は、目標位置判定処理部32から特徴量抽出処理部33にそれぞれ与えられ、特徴量抽出処理部33は、ラベリングされた各目標物から、その目標物らしさ（つまり、本願発明においては、地雷らしい形状をなしているということ）を表わす特徴量を、２値化画像データから抽出する。本実施の形態においては、地中レーダ1及び磁気センサ2に関する特徴量として、図１２に示す如きものを採用しており、対応するパラメータを割り当ててある。なお、本願発明においては、これらの特徴量に限定されるものではなく、センサの種類，及び後で詳述するニューラルネットワークの構成等に応じて適宜に決定すればよい（図１４参照）。
【００７５】
２値化画像データから上記特徴量を抽出する方法を次に説明する。
【００７６】
まず、地中レーダ1に関する特徴量にあっては、図１３（ａ）に示す如く演算する。
（１）目標物の走査方向サイズ（即ち、「R size x」）は、当該目標物の走査方向（図においてはx方向）の画素数（図においては8画素）である。
（２）目標物の深度方向サイズ（即ち、「R size y」）は、当該目標物の深度方向（図においてはy方向）の画素数を（図においては5画素）である。
（３）目標物の断面積（即ち、「R area」）は、当該目標物の総画素数（図においては28画素）である。
（４）目標物の断面円形度（即ち、「R roundness」）は、当該目標物の周囲長の画素数（図においては26画素）を「R perimeter」としたときに、（R roundness）＝ 4π×（R area）／（R perimeter）² で演算される値（図においては、（R roundness）＝ 4π×（28）／（26）² ＝ 0.5205である）である。
（５）目標物のレーダ後方断面積（低域）（即ち、「Rcs Low」）は、当該目標物の低域RCSであり、次の（９）式で演算される。
（６）目標物のレーダ後方断面積（高域）（即ち、「Rcs High」）は、当該目標物の高域RCSであり、次の（１０）式で演算される。
【００７７】
【数７】

【００７８】
一方、磁気センサ2に関する特徴量にあっては、図１３（ｂ）に示す如く演算する。
（１）目標物の走査方向サイズ（即ち、「M size x」）は、当該目標物の走査方向（図においてはx方向）の画素数（図においては8画素）である。
（２）目標物のチャンネル方向サイズ（即ち、「M size z」）は、当該目標物のチャンネル方向（図においてはz方向）の画素数を（図においては5画素）である。
（３）目標物の平面面積（即ち、「M area」）は、当該目標物の総画素数（図においては28画素）である。
（４）目標物の平面円形度（即ち、「M roundness」）は、当該目標物の周囲長の画素数（図においては26画素）を「M perimeter」としたときに、（M roundness）＝ 4π×（M area）／（M perimeter）² で演算される値（図においては、（M roundness）＝ 4π×（28）／（26）² ＝ 0.5205である）である。
【００７９】
特徴量抽出処理部33は、以上の如くにそれぞれのセンサの２値化画像データから抽出した特徴量、即ちパラメータの値を識別処理部4に与える。
【００８０】
識別処理部4は、学習機能付きの所謂「階層型バックプロパゲーションニューラルネットワーク（BPNN）」機能を備えた演算装置であり、図１４に示す如く、特徴量抽出処理部33から与えられた各目標物に対応する特徴量をそのニューラルネットワークの入力層に入力し、予め設定してある出力カテゴリへの該当度合を出力するように構成されている。
【００８１】
より詳しくは、図１５に示す如く、識別処理部4は、地中レーダ／磁気センサ同時検出用バックプロパゲーションニューラルネットワーク41，地中レーダ検出用バックプロパゲーションニューラルネットワーク42，及び磁気センサ検出用バックプロパゲーションニューラルネットワーク43の３つのニューラルネットワーク機能を備えており、地中レーダ1及び磁気センサ2の両方で同時に検出された目標物に関する特徴量は、地中レーダ／磁気センサ同時検出用バックプロパゲーションニューラルネットワーク41の入力層へ、地中レーダ1のみで単独に検出された目標物に関する特徴量は、地中レーダ検出用バックプロパゲーションニューラルネットワーク42の入力層へ、そして、磁気センサ2のみで単独に検出された目標物に関する特徴量は、磁気センサ検出用バックプロパゲーションニューラルネットワーク43の入力層へそれぞれ入力されるようになっている。
【００８２】
図１５からも判る通り、図１４に示したニューラルネットワークの構成は、図１５に示した地中レーダ／磁気センサ同時検出用バックプロパゲーションニューラルネットワーク41のものであり、他のニューラルネットワークについては、パラメータを各センサに対応するもののみとする等して、全体としては同様の構成とすることができるため、詳細な説明は省略する。
【００８３】
識別処理部4が備える各ニューラルネットワークは、予めオフラインで学習させておく。具体的には、まず、既知の地雷サンプルを、土質及び埋設深度等の埋設条件を変えながら、本願発明に係る地雷探知装置によりこれらの地雷サンプルの探知トライアルを繰り返す。そして、各トライアルにおいて当該地雷探知装置が検出した目標物の中から、実際に地雷を埋設した位置と略一致する目標物を選択し、この目標物に、埋設した地雷の出力カテゴリを割り当て、ニューラルネットワークの誤差逆伝播学習機能を利用し、結合荷重の修正を行う。なお、本実施の形態においては、上記出力カテゴリを、図１４に示す如く「地雷」，「非地雷」，「金属対人地雷」，「非金属対人地雷」，「金属対戦車地雷」，及び「非金属対戦車地雷」等としてあるが、これらに限定するものではない。なお、地雷の埋設位置以外の位置には、すべて「非地雷」を割り当てるようにする。
【００８４】
ニューラルネットワークの学習アルゴリズムは、図１６のフローチャートに示す一般的な手順である。具体的には、識別処理部4は、まず、記憶している結合荷重の初期化をし（ステップS101）、識別処理部4に接続された入力部5から入力される上記埋設条件、及び該当する出力カテゴリ（所謂、教師信号）等を含む学習パターンをセットする（ステップS102）。
【００８５】
次に、識別処理部4は、探知トライアルを開始し、中間層ユニットの出力計算（ステップS103）、出力層ユニットの出力計算（ステップS104）を順次行なう。
【００８６】
続いて、識別処理部4は、入力された出力カテゴリに対する、出力層ユニットの誤差計算（ステップS105）、中間層ユニットの誤差演算（ステップS106）を順次行ない、演算誤差に基づいて、出力層ユニットの出力が、上記入力された出力カテゴリに近づくように、中間層及び出力層間の結合荷重の修正（ステップS107）、入力層及び中間層間の結合荷重の修正（ステップS108）を順次行なう。
【００８７】
そして、識別処理部4は、探知トライアルの条件を変更すべく、セットした学習パターンを更新し（ステップS109）、学習繰り返し回数が、学習パターンのバリエーションに応じた所定の学習繰り返し回数以内か否かを確認する（ステップS110）。識別処理部4は、学習繰り返し回数以内である場合（ステップS110で“YES”）には、更新した別の学習パターンで学習すべくステップS103に戻り、一方、学習繰り返し回数以内でない場合（ステップS110で“NO”）には、全ての学習パターンのトライアルを終了したものと判断して学習を終了する。
【００８８】
以上の如き学習は、識別処理部4が備える地中レーダ／磁気センサ同時検出用バックプロパゲーションニューラルネットワーク41，地中レーダ検出用バックプロパゲーションニューラルネットワーク42，及び磁気センサ検出用バックプロパゲーションニューラルネットワーク43の３つのニューラルネットワークについてそれぞれ実施する。なお、本実施の形態においてはオフライン学習を想定して説明したが、オンラインで学習を実施することも可能である。
【００８９】
このような識別処理部4による識別結果は、図１７（ａ）及び（ｂ）並びに図１８に示すような形態で、該識別処理部4に接続された表示部6に表示させる。
【００９０】
図１７（ａ）及び（ｂ）においては、地中レーダ1のみにより検出された目標物と、磁気センサ2のみにより検出された目標物と、地中レーダ1及び磁気センサ2の両方で検出された目標物とを視覚的に区別して表示するとともに、各目標物の３次元位置が視覚的に判り易いように、地中の状態を水平断面視及び垂直断面視で表現してある。
【００９１】
より詳しくは、図１７（ａ）においては、横軸に走査方向、縦軸にチャンネル方向の水平距離をそれぞれとった矩形領域内に、検出された目標物が抽出後の形状でそれぞれ表示されている。一方、図１７（ｂ）においては、横軸に走査方向、縦軸に深度方向をそれぞれとった矩形領域内に、検出された目標物が抽出後の形状でそれぞれ表示されている。
【００９２】
また、図１７（ａ）及び図１７（ｂ）に示す如く表示された各目標物に対しては、上記ニューラルネットワークを利用して演算されたそれぞれの出力カテゴリに対する該当度合（識別率）を数値で表示してもよく、また、図１８に示す如く棒グラフの形態で表示してもよい。
【００９３】
図１８の例において、「地雷」及び「非地雷」の２つの出力カテゴリでは、地雷の確率の方が非常に大きく、地雷であることが判る。次いで、地雷であればどのような種類のものであるかは、残りの「金属対人地雷」，「非金属対人地雷」，「金属対戦車地雷」，及び「非金属対戦車地雷」の４つの出力カテゴリを見ることにより判る。つまり、この例では、金属対人地雷の確率が他に比べて大きく、金属対人地雷であると判断できる。
【００９４】
本実施の形態においては、図１７（ａ）及び（ｂ）並びに図１８に示すような画面表示をオペレータが見て、目標物の最終的な判定を行うように説明したが、このような判定処理をコンピュータに行なわせる構成とすることも可能である。
【００９５】
以上に説明した本実施の形態に係る地雷探知装置は、図１９に示す如く、適宜の移動体100に搭載することも可能である。移動体100には、地雷探知装置の全体部分を搭載する構成としてもよいし、また、少なくともそのアクティブセンサ部分（地中レーダ1及び磁気センサ2等）のみを搭載し、別の位置に配置された地雷探知装置の残りの部分と例えば無線通信によりデータを授受をなし得るように構成してもよい。
【００９６】
図１９の例では、移動体100は、ホイールローダの如き態様をなしており、その前方部分に昇降自在に動作可能な一対のアーム101を備え、該アームの先端部には、地中レーダ1及び磁気センサ2を収納した箱形の走査部102が水平に支持されている。該走査部102は、地表から所定距離離隔してアーム101に支持されており、その下側面から地雷探知のための電磁波を地中に放射し、地中からの反射波を受信することが可能なように、走査部102の下側の部位に地中レーダ1及び磁気センサ2が配置されている。
【００９７】
また、他の実施の形態に係る地雷探知装置は、図２０に示す如く、可搬型の小型のものとすることができる。この可搬型地雷探知装置200は、全体として棒状をなし、その上側となる一方の端部にオペレータが把持する把持部203，204，205等を備えている。また、他方の端部には、円盤状の走査部202を備えている。該走査部202の内部には、地中レーダ1及び磁気センサ2を収納しており、これらのアクティブセンサ部分が、その下側面から地雷探知のための電磁波を地中に放射し、地中からの反射波を受信することが可能なように配置されている。これらのアクティブセンサ部分は、棒状の装置本体の上部に配置された箱形のコントローラ201に接続され、該コントローラ201は、入力部5及び表示部6等を含む、上記アクティブセンサ部分以外の地雷探知装置の部分を備えている。
【００９８】
【発明の効果】
本願発明に係る地中の物体を探知する方法及びその実施に使用する装置、並びに当該装置を搭載した移動体によれば、センサによる反射波の画像化情報を２値化し、２値化画像をニューラルネットワークを利用して処理することにより、探知処理を自動化することができ、また、オペレータの熟練を要しない高い探知精度を提供することができる。
【図面の簡単な説明】
【図１】本願発明の実施の形態に係る地雷探知装置の構成を示す機能ブロック図である。
【図２】本実施の形態に係る地雷探知装置の地中レーダにより検出された地中の状態を示す画像データの模式図であり、（ａ）は地中レーダによる検出時点での元画像、（ｂ）は合成開口処理後の画像、（ｃ）は目標判定処理後の画像である。
【図３】本実施の形態に係る地雷探知装置の磁気センサにより検出された地中の状態を示す画像データの模式図であり、（ａ）は磁気センサによる検出時点での元画像、（ｂ）は微分処理後の画像、（ｃ）は目標判定処理後の画像である。
【図４】図１に示した目標領域抽出処理部が地中レーダによる画像データを処理する手順を示すフローチャートである。
【図５】図１に示した目標領域抽出処理部が磁気センサによる画像データを処理する手順を示すフローチャートである。
【図６】図１に示した目標領域抽出処理部のラベリング処理を説明するための図である。
【図７】図１に示した目標位置判定処理部が、検出された複数の目標物の同一性を判定する処理を説明するための図である。
【図８】図１に示した目標位置判定処理部が、検出された複数の目標物の同一性を判定する処理を説明するための図である。
【図９】図１に示した目標位置判定処理部が、検出された複数の目標物の同一性を判定する処理を説明するための図である。
【図１０】図１に示した目標位置判定処理部が、地中レーダの見掛け上の分解能を向上させる内挿補間を説明するための目標物画像の模式図である。
【図１１】図１に示した目標位置判定処理部が、地中レーダにより検出された目標物と、磁気センサにより検出された目標物との同一性を判定する処理を説明するための図である。
【図１２】図１に示した特徴量抽出処理部が識別処理部のニューラルネットワークの入力層に与えるパラメータ、即ち地中レーダ及び磁気センサによる目標物の特徴量を示す図表である。
【図１３】図１に示した特徴量抽出処理部が２値化画像から各特徴量を演算する方法を説明するための図である。
【図１４】図１に示した識別処理部のニューラルネットワークの構成を示す模式図である。
【図１５】図１に示した識別処理部のニューラルネットワークの構成を示すブロック図である。
【図１６】図１に示した識別処理部のニューラルネットワークの学習アルゴリズムを示すフローチャートである。
【図１７】図１に示した識別処理部が、地雷探知結果を表示部に表示させる形態を示す模式図であり、（ａ）は地中の状態の水平断面視による表示、（ｂ）は地中の状態の垂直断面視による表示をそれぞれ示している。
【図１８】図１に示した識別処理部が、地雷探知結果を表示部に表示させる形態を示す模式図であり、各目標物の出力カテゴリに対する該当度合（識別率）を示している。
【図１９】本願発明の実施の形態に係る地雷探知装置を搭載した移動体の実施の形態を示す正面図である。
【図２０】本願発明の他の実施の形態に係る地雷探知装置を可搬型とした実施の形態を示す斜視図である。
【符号の説明】
1 地中レーダ
2 磁気センサ
4 識別処理部（バックプロパゲーション・ニューラルネットワーク）
5 入力部
6 表示部
31 目標領域抽出処理部
33 特徴量抽出処理部
100 移動体
200 可搬型地雷探知装置[0001]
BACKGROUND OF THE INVENTION
In the present invention, even an underground object that requires skill in detection by the conventional method can be detected effectively by simple training, and the detection process can be automated. The present invention relates to a method for detecting an object, a device used for implementing the method, and a moving body equipped with the device.
[0002]
[Prior art]
Landmines represented by Anti-tank Mines (ATM) and Anti-personnel Mines (APM) are used in conflict areas around the world. Currently, over 100 million landmines remain buried all over the world, and their removal after the conflict is extremely difficult.
[0003]
In the post-conflict mine removal, so-called humanitarian mine removal, life on the land that is the minefield is assumed, so all the landmines buried in the minefield must be removed. Detection and removal of buried landmines using technologies such as “Anti-handling Devices” and “Anti-disturbance Devices” attached to these mines. The situation is difficult.
[0004]
These technologies include, for example, those that detonate in response to the magnetic field of a mine detector, and those that detonate by applying pressure several times. In the former type, the active mine detector was brought closer. There is a possibility of detonation alone. In the latter type, there is a possibility that when a mine disposal vehicle passes, it does not detonate, and when a vehicle other than the mine disposal vehicle that passes through the mine disposal vehicle passes, it may detonate.
[0005]
Under such circumstances, the following methods are generally used for removing landmines. For example, a landmine of a type that is detonated by applying pressure from the surface of the earth can be removed by blasting by running on a landmine field with a landmine disposal vehicle having a mode such as a wheel roller. However, minefields are not only flat, but there are many places where landmine vehicles cannot run. In addition, even in a flat land where mine disposal vehicles can run, for the type of mine that detonates by applying multiple pressures as described above, the number of times of pressure addition until the detonation of the fuze can be set. As long as it is unknown, it is not possible to completely remove landmines with landmine vehicles.
[0006]
In addition, an explosion is generated from the outside in a minefield, and an explosion of a buried mine is induced by a blast and a vibration of the ground at that time. However, it is unclear whether or not the mine fuze will operate reliably due to an explosion from the outside, and some mine have a self-inactivating function that is said to have a non-operation rate of 5% to 30%. Yes, I can't hope for reliable removal.
[0007]
Therefore, in addition to the above-described removal methods, it is necessary to rely on detecting the remaining landmines and removing them manually.
[0008]
As a method of detecting landmines, metal detectors are the mainstream, but many antipersonnel mines use materials other than metal, so antipersonnel mines should be detected using only metal detectors. It is difficult.
[0009]
As another detection method, a ground radar, a magnetic sensor, an X-ray sensor, an infrared sensor, or the like is used, the generated electromagnetic wave is propagated into the ground, and the reflected wave is detected and converted into an audible sound. In some cases, humans can identify landmines visually by identifying landmines or by displaying images of underground conditions based on reflected waves. According to this method, even landmines made of nonmetals, nonmagnetic materials, etc. can be detected (see, for example, Patent Documents 1 to 3).
[0010]
[Patent Document 1]
Japanese Patent No. 3309242
[Patent Document 2]
Japanese Patent Laid-Open No. 8-122279
[Patent Document 3]
Japanese Patent No. 3015643
[0011]
[Problems to be solved by the invention]
However, for example, metal foreign objects are buried in the ground, and in particular, a lot of debris such as weapons, ammunition, and explosives are buried in the land that was a conflict zone. Is currently high. Although it is conceivable to lower the detection sensitivity (threshold value of the reflected wave signal intensity) in order to reduce the misrecognition rate, this causes a new problem that a small anti-personnel landmine cannot be detected.
[0012]
In addition, for example, when there is a lot of moisture in the soil, the moisture in the soil becomes a reflector, which may cause misrecognition, or depending on the land, the soil may contain a lot of metal components (mostly iron). In addition, since the soil quality is not uniform, the detection accuracy in such land is further lowered.
[0013]
Furthermore, identifying landmines from sounds or images obtained by sensors relies on human judgment, and since it requires a lot of skill to identify them, it cannot sufficiently meet the demand for landmine detection.
[0014]
However, since there is no choice but to rely on the detection method as described above, even if it is a misrecognition, it is necessary to dig up all the places manually without confirmation, and the amount of work is enormous. It is.
[0015]
The present invention has been made in view of the above circumstances, and automates the detection process by binarizing the imaging information of the reflected wave by the sensor and identifying the binarized image using a neural network. It is possible to provide a method for detecting an object in the ground, which can provide high detection accuracy that does not require the skill of an operator, a device used for the implementation, and a moving body equipped with the device. Objective.
[0016]
[Means for Solving the Problems]
The present invention can solve the above-described problems by a method and apparatus for detecting an object in the ground having the following configuration, and a moving body on which the apparatus is mounted.
[0017]
The method of detecting an object in the ground according to the present invention is a method of propagating the generated electromagnetic wave to the ground, detecting a reflected wave from the ground with a sensor, imaging the detection result, and imaging the state of the reflected wave In the method for detecting an object in the ground based on the above, the imaging information of the reflected wave is binarized, and the object in the ground is identified using a neural network based on the binarized image. To do.
[0018]
Further, the device for detecting an object in the ground according to the present invention propagates the generated electromagnetic wave to the ground, detects a reflected wave from the ground by a sensor, images the detection result, and images the reflected wave. In an apparatus for detecting an object in the ground based on the state of the image, a binarizing unit for binarizing the imaging information of the reflected wave, and a binarized image by the binarizing unit And identifying means for identifying the object using a neural network.
[0019]
According to the above invention, an electromagnetic wave that can be imaged (visualized) after detection is propagated in the ground, and the state of the ground is imaged by the sensor based on the reflected wave from the ground. By binarizing information (usually a gradation image), automatic processing by a computing device such as a computer is enabled. Then, by using the arithmetic device, the binarized image is processed using a neural network, and an underground object to be detected (for example, a land mine buried in the ground) is identified. Compared with the conventional identification method, it becomes possible to perform very highly accurate detection without advanced training.
[0020]
Note that the function of generating electromagnetic waves to be propagated into the ground may be provided in the device according to the present invention, or may be provided separately from the device.
[0021]
As the sensor, it is possible to employ various sensors capable of imaging the detection signals, such as ground penetrating radar, active and passive magnetic sensors, X-ray sensors, and infrared sensors. Further, in order to improve the object identification accuracy, it is also possible to use a combination of these plural types of sensors. Preferably, for example, a ground penetrating radar provided with an impulse sensor and an active magnetic sensor (so-called active magnetic sensor) are employed.
[0022]
As the above-mentioned neural network, it is desirable to adopt a back-propagation neural network (BPNN) that is hierarchical and enables online or offline education, and such back-propagation neural network is used. According to the network, more accurate identification can be performed by learning.
[0023]
One or more arbitrary feature quantities of the detection object extracted from the binarized image of the detection result (output) of the sensor are input to the input layer of the neural network. As the output layer, for example, “mine” , “Non-mine”, “Metal-to-person landmine”, “Non-metal-to-person landmine”, “Metal-to-tank landmine”, “Non-metal-to-tank landmine” and other categories according to the type of object to be detected Can do.
[0024]
For example, when the sensor is a ground penetrating radar, the feature quantity of the sensing object input to the input layer is “the scanning direction size of the detecting object”, “the depth direction size of the detecting object”, For example, “cross-sectional area of the detected object”, “circularity of the cross-section of the detected object”, and “radar cross section (RCS) of the detected object”. Note that a plurality of underground radars may be employed as the underground radar, and the plurality of underground radars may be arranged in an array so as to be substantially orthogonal to the scanning direction.
[0025]
When the sensor is a magnetic sensor, the “detection object scanning direction size”, “detection object planar area”, “detection object planar circularity”, and the like can be set. Also, a plurality of magnetic sensors can be employed, and the plurality of magnetic sensors can be arranged in an array so as to be orthogonal to the scanning direction. In such a case, it is possible to include “the size of the detected object in the sensor array direction” as the feature amount.
[0026]
Further, when a plurality of types of sensors are employed, for example, a plurality of neural networks that can respectively input feature amounts of detected objects by the plurality of types of sensors are employed, and each of the plurality of neural networks is individually processed or It can be configured to process in parallel. Thus, more accurate identification can be performed by employing a plurality of neural networks.
[0027]
In addition, for example, it is possible to employ a complex neural network that can input a combination of feature quantities of detected objects by a plurality of types of sensors, and in addition to this, such a complex neural network can be adopted. It is also possible to adopt another neural network that can input the feature quantity of the detected object by one or a plurality of sensors that can be processed in parallel.
[0028]
As a specific example, the first, second, and third neural networks are adopted, and the feature amount of the detected object by the ground radar is input to the input layer of the first neural network, and the magnetic sensor. Is input to the input layer of the second neural network, and the feature amount of the detected object from both the ground radar and the magnetic sensor is input to the input layer of the third neural network.
[0029]
In this way, by using the results of processing in parallel by a plurality of neural networks, it is possible to perform more accurate identification for a detected object that cannot be identified by any neural network.
[0030]
By applying the method according to the present invention as described above to landmine detection, even antipersonnel landmines that have been difficult to detect conventionally can be detected with very high accuracy without advanced training. Become.
[0031]
Furthermore, a device capable of carrying out the method according to the present invention as described above can be used by being mounted on a moving body such as a landmine disposal vehicle, and can be transported by an operator. It is also possible.
[0032]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, an apparatus for carrying out a method for detecting an object in the ground according to the present invention will be specifically described with reference to the accompanying drawings, taking as an example a mobile object equipped with the apparatus to be used for landmine detection. explain.
[0033]
FIG. 1 is a functional block diagram of an apparatus (for example, a landmine detection apparatus) for carrying out a method according to an embodiment of the present invention. The device or the landmine detection device according to the present embodiment shown in FIG. 1 is merely an example, and the present invention is not limited to such a configuration.
[0034]
In FIG. 1, the landmine detection device according to the present embodiment includes two types of sensors, a ground penetrating radar 1 having an impulse sensor and an active magnetic sensor 2. These two types of sensors are active sensors, and the ground penetrating radar 1 emits a pulsed electromagnetic wave into the ground and detects the reflected wave at the corresponding sensor part. The active magnetic sensor 2 applies a transmission magnetic field having a constant frequency, and an induced magnetic field obtained thereby is detected by a corresponding sensor portion. Each of the two sensors has a plurality of elementary sensors, and the plurality of elementary sensors are arranged in an array in a direction substantially orthogonal to the scanning direction.
[0035]
The underground radar 1 can detect the underground state in the depth direction, while the magnetic sensor 2 can detect the underground state in the array direction (that is, the sensor channel direction). The detection signals from 1 and the magnetic sensor 2 are given to the

respective signal processors

11 and 21.
[0036]
2 (a) to 2 (c) are schematic diagrams showing the form of image data in each processing described later by the underground radar of the mine detection apparatus according to the present embodiment. In these figures, the vertical axis represents The depth direction is taken along the horizontal axis, and the scanning direction is taken along the horizontal axis. 3 (a) to 3 (c) are schematic diagrams showing the form of image data in each process described later by the magnetic sensor of the landmine detection device according to the present embodiment. The channel direction is taken along the horizontal axis, and the scanning direction is taken along the horizontal axis.
[0037]
The image data at the time of detection by the ground penetrating radar 1 and the magnetic sensor 2 are as shown in FIGS. 2A and 3A. In each figure, the detected object by each sensor is a large ellipse ( It is within the range indicated by a broken line). In FIG. 3A, between the white ellipse region (the portion where the detection signal from the magnetic sensor 2 is “negative”) and the gray ellipse region (the portion where the detection signal from the magnetic sensor 2 is “positive”). The intermediate position is detected by the magnetic sensor 2.
[0038]
The

signal processing units

11 and 21 have a general filtering processing function, and remove a noise component from each detection signal. The detection signal of the underground radar 1 denoised by the signal processing unit 11 is given to the resolution improvement processing unit 12, while the detection signal of the magnetic sensor 2 denoised by the signal processing unit 21 To part 31.
[0039]
The resolution improvement processing unit 12 has a high resolution / imaging function by synthetic aperture processing or the like, and emphasizes the spatial distribution and temporal response of the detection signal after noise removal given from the signal processing unit 11. In addition to imaging, a unique pattern corresponding to the external shape (generally a short cylindrical shape) of a landmine that is a detection target is generated.
[0040]
In the present embodiment, synthetic aperture processing is performed. Specifically, in the synthetic aperture processing, specifically, a detection signal group on the time axis (hereinafter referred to as “detection data”) obtained for each scanning direction (so-called azimuth direction). ”) In the azimuth direction using a correlation with a reference function based on the amount of change in the distance (ie, propagation distance) between a point reflector and the ground penetrating radar 1 (so-called azimuth compression). By doing so, the spatial resolution is improved. An example of the image data after this synthetic aperture processing is shown in FIG. When performing synthetic aperture processing on the detection signal of the ground penetrating radar 1, in addition to the azimuth compression, the detection data is compressed (range compression or pulse) in the range direction according to the radar wave bandwidth. The resolution in the range direction is improved by compression.
[0041]
The processing result by the resolution improvement processing unit 12 is given to the target region extraction processing unit 31. The target region extraction processing unit 31 is based on the detection signal after noise removal given from the signal processing unit 21 for each scanning direction. For the image data generated from the detection signal group on the time axis (hereinafter referred to as “detection data”) and the detection data after the noise removal and enhancement processing given from the resolution improvement processing unit 12. By performing a labeling process after the binarization process, a label number is assigned to the detected underground object (hereinafter referred to as “target object”).
[0042]
Specifically, the target area extraction processing unit 31 has a general image processing function. For the image data of the underground radar 1, the labeling process (step S14) is performed as shown in the flowchart of FIG. Prior to this, a smoothing process using a median filter (step S11), a binarization process (step S12), and a contraction / expansion process (step S13) are performed to separate and extract the target image from the background image.
[0043]
Further, as shown in the flowchart of FIG. 5, the target area extraction processing unit 31 uses a differentiation process (step S21) and a median filter for the image data of the magnetic sensor 2 prior to the labeling process (step S25). Smoothing processing (step S22), binarization processing (step S23), and contraction / expansion processing (step S24) are performed to separate and extract the target image from the background image.
[0044]
The image data of the magnetic sensor 2 is subjected to differentiation processing prior to the binarization processing in step S23. This is because, when the image data at the time of detection as shown in FIG. 3A is binarized, there is a possibility that only the above-mentioned “positive” part is extracted, and by performing a differentiation process, This is because the center portion of the target can be extracted. An example of the image data after this differentiation processing is shown in FIG.
[0045]
More specifically, in the smoothing process in steps S11 and S22, in order to remove spiked noise having a large signal intensity from the image data using a median filter, as shown by the following equation (1), An intermediate value (median) in the vicinity region of the target pixel is output.
[0046]
[Expression 1]

[0047]
Further, in the binarization processing in steps S12 and S23, the p-tile method is used to perform data selection using statistical dispersion of amplitude fluctuation or the like. In the p-tile method, a binarization threshold f when a target image brighter than the background image is cut out_tIs given by the following equation (2). Needless to say, in the present invention, the binarization method is not limited to the p-tile method.
[0048]
[Expression 2]

[0049]
However, the above binarization threshold f_tSince there is a possibility that even a background image that does not include the target is cut out, the variance value of the image data is compared with the upper limit of the variance value of the background image obtained in advance, and the variance value is larger than the upper limit. Only when it is large, the image data is binarized. The binarization threshold f used for the p-tile method_tIs obtained in advance by experiments or the like. In addition, the area for obtaining the average value m and the standard deviation σ is obtained in advance by experiments or the like with reference to the size of the target.
[0050]
In the contraction / expansion process in steps S13 and S24, the contraction / expansion process is performed using the following formulas (3) and (4) in order to reduce the load in the subsequent labeling process, and the isolated noise is removed.
[0051]
[Equation 3]

[0052]
In this contraction / expansion process, it is desirable that the contraction process is performed several times, and then the expansion process is performed the same number of times, and the number of times is set as a parameter that can be adjusted according to the experimental result or the like.
[0053]
In the labeling process in steps S14 and S25, the extracted region (that is, a pixel group having a value of 1) is separated into individual target candidates. Specifically, the entire image data is scanned, and as shown in FIG. 6, the connectivity between the “target pixel of value 1” and the “pixel of value 1” in the neighboring region is examined. The same label is assigned to “pixels”, while a new label is assigned to “pixels of value 1” that are not connected. Next, since a plurality of labels are given to the same target in the curved pattern, label integration processing is performed.
[0054]
More specifically, in FIG. 6, it is assumed that the pixel is indicated by a rectangular region and the target pixel is a pixel indicated by a black region. In this case, “a_ij”And a four-link type labeling is used, the pixel of interest“ a_ij”Are examined on four adjacent pixels. In FIG. 6, the target pixel “a_ij"And the pixels on the left side of"_ij”In the upper pixel._{i-1 j}”And“ a ”_{i j-1}"A" label is given (in FIG. 6, each pixel is indicated by a cross-hatched area). In addition, in the case of using 8-connected labeling, the pixel of interest “a_ij”Is examined, and the same label is given in the same manner as described above (in FIG. 6, each pixel is indicated by a white area).
[0055]
As described above, when the labeling process is completed for the respective image data of the ground radar 1 and the magnetic sensor 2, the target area extraction processing unit 31 provides each image data after the labeling to the target position determination processing unit 32.
[0056]
The target position determination processing unit 32 performs alignment of the extracted target position between the image data of the underground radar 1 and the image data of the magnetic sensor 2 and determination of whether or not they are the same target.
[0057]
When the ground penetrating radar 1 and the magnetic sensor 2 are used in combination, if they cannot be placed at the same position on the horizontal plane, or if their measurement periods do not match, The image data of the radar 1 and the magnetic sensor 2 must be aligned in position.
[0058]
First, as shown in FIG. 7, in the present embodiment, the ground radar 1 and the magnetic sensor 2 are arranged in this order in the scanning direction, and the distance between the ground radar 1 and the magnetic sensor 2 is as follows. It shall be d.
[0059]
In this case, as shown in FIG. 8A, the measurement period (ie, measurement interval) of the ground penetrating radar 1 is ΔS._rIf K_rThe second measurement position is K_rΔS_rIt becomes. On the other hand, as shown in FIG. 8B, the measurement cycle (ie, measurement interval) of the magnetic sensor 2 is ΔS._mIf K_mThe second measurement position is K_mΔS_mIt becomes. The alignment of these measurement positions is performed using the following equation (5).
[0060]
[Expression 4]

[0061]
Next, in the ground penetrating radar 1, there is a possibility that one target is detected by a plurality of channels. Therefore, it is estimated whether the target detected by each channel is the same target or not. To do.
[0062]
For example, the signal strength of the target position detected at a certain channel n1 (the position where the labeled signal has the highest signal strength) is expressed as T_n1(N1, y_n1, Z_n1), And the signal strength of the target position detected in the channel n2 adjacent to this is T_n2(N2, y_n2, Z_n ₂) And the distance between n1 and n2 is d_cAnd Here, y represents the position or distance in the scanning direction, and z represents the position or distance in the depth direction.
[0063]
At this time, as shown in FIG. 9, the distance in the scanning direction of the target detected in each channel is determined as the determination value y._d(See equation (6)), the distance in the depth direction of the target detected in each channel is the judgment value z_dRe-labeling a target that meets both of the two conditions (see equation (7)) as a single target. Judgment distance y_d, Z_dIs obtained in advance by experiments or the like.
[0064]
[Equation 5]

[0065]
In the determination of the identity of the detected target as described above, the accuracy may decrease if the mutual distance between the channels to be considered is large. Therefore, it is necessary to consider between adjacent channels as much as possible. desirable.
[0066]
Next, as shown in FIGS. 10A and 10B, the apparent resolution of the regions labeled as the same target is improved by performing interpolation by linear approximation in the channel array direction between adjacent channels. Plane image data is obtained. Thereafter, the target image is extracted again by the p-tile method, and the area centroid position x is adopted. Further, even for a target detected only in one channel, interpolation with the data of the adjacent channel is performed, and then a target image is extracted by the p-tile method.
[0067]
On the other hand, in the magnetic sensor 2, the position of the target is the area centroid position of the target area labeled in the above target area extraction process, and the position is T_m(X_m, Y_m). In the magnetic sensor 2, information in the depth direction cannot be obtained, and only the horizontal position of the target can be specified.
[0068]
Next, the position T of the target detected by the ground penetrating radar 1_r(X_r, Y_r, Z_r) And the position T of the target detected by the magnetic sensor 2_m(X_m, Y_m) Are of the same target. That is, when both positions are within a predetermined range on the plane (see the following equation (8)), the target detected by both is relabeled as the same target. At this time, if there are multiple targets detected by the ground penetrating radar 1 within the predetermined range with respect to one target detected by the magnetic sensor 2, the one with the stronger signal strength is adopted. To do. The predetermined range is determined by various experiments.
[0069]
[Formula 6]

[0070]
Specifically, as shown in FIG. 11A, for example, a distance D centered on the area centroid position of the area (indicated by hatching in the figure) of the target {circle around (1)} detected by the ground radar 1 is a radius. If the circular range (shown by the broken line in the figure) is the above predetermined range, and the area center of gravity of the area of the target a detected by the magnetic sensor 2 is within this predetermined range, both targets are the same It is determined that
[0071]
On the other hand, as shown in FIG. 11B, for example, a circle whose radius is a distance D centered on the area center of gravity of the area (indicated by hatching) of the target (2) detected by the ground radar 1 If the area (indicated by the broken line in the figure) is the above predetermined range, and there is no area centroid position of the area of the target b detected by the magnetic sensor 2 within this predetermined range, it is determined that both targets are not the same To do. In the example of FIG. 11C, the target c and the target d are within the predetermined range. For example, when the signal strength of the target c is stronger than the signal strength of the target d, this signal It is determined that the target c having a high strength is the same as the target {circle around (2)} of the underground radar 1, and the target d is determined not to be the same.
[0072]
For the targets detected by both the ground penetrating radar 1 and the magnetic sensor 2, the position and depth in the scanning direction are the information of the ground penetrating radar 1, and the position in the array direction is the information of the magnetic sensor 2. Respectively.
[0073]
The binarized images of the ground radar 1 and the magnetic sensor 2 after the target position determination processing are as shown in FIGS. 2 (c) and 3 (c), respectively.
[0074]
Information regarding the target detected by the ground radar 1, information regarding the target detected by the magnetic sensor 2, and information regarding the target detected by both the ground radar 1 and the magnetic sensor 2 are as follows. The target position determination processing unit 32 gives to the feature amount extraction processing unit 33, and the feature amount extraction processing unit 33 determines the target-likeness from each labeled target (that is, in the present invention, a shape like a mine. Is extracted from the binarized image data. In the present embodiment, as shown in FIG. 12, feature quantities relating to the underground radar 1 and the magnetic sensor 2 are adopted, and corresponding parameters are assigned. Note that the present invention is not limited to these feature amounts, and may be determined as appropriate according to the type of sensor and the configuration of a neural network described in detail later (see FIG. 14).
[0075]
A method for extracting the feature amount from the binarized image data will be described next.
[0076]
First, the feature amount related to the underground radar 1 is calculated as shown in FIG.
(1) The size of the target in the scanning direction (that is, “R size x”) is the number of pixels (eight pixels in the drawing) in the scanning direction (x direction in the drawing) of the target.
(2) The depth direction size (that is, “R size y”) of the target is the number of pixels in the depth direction (y direction in the figure) of the target (five pixels in the figure).
(3) The cross-sectional area (ie, “R area”) of the target is the total number of pixels of the target (28 pixels in the figure).
(4) The cross-sectional circularity of the target (that is, “R roundness”) is (R roundness) = (R roundness) = (R roundness) = “R perimeter”. 4π × (R area) / (R perimeter)² (R roundness in the figure) = 4π × (28) / (26)² = 0.5205).
(5) The radar rear cross-sectional area (low range) (that is, “Rcs Low”) of the target is the low range RCS of the target and is calculated by the following equation (9).
(6) The radar rear sectional area (high range) (that is, “Rcs High”) of the target is the high range RCS of the target and is calculated by the following equation (10).
[0077]
[Expression 7]

[0078]
On the other hand, the feature amount related to the magnetic sensor 2 is calculated as shown in FIG.
(1) The size of the target in the scanning direction (that is, “M size x”) is the number of pixels (eight pixels in the drawing) in the scanning direction (x direction in the drawing) of the target.
(2) The size of the target in the channel direction (that is, “M size z”) is the number of pixels in the channel direction of the target (z direction in the figure) (five pixels in the figure).
(3) The planar area (that is, “M area”) of the target is the total number of pixels of the target (28 pixels in the figure).
(4) The planar circularity (ie, “M roundness”) of the target is (M roundness) = (M roundness) = when the number of pixels of the perimeter of the target (26 pixels in the figure) is “M perimeter”. 4π × (M area) / (M perimeter)² (Mroundness in the figure) = 4π × (28) / (26)² = 0.5205).
[0079]
The feature amount extraction processing unit 33 gives the feature amount extracted from the binarized image data of each sensor, that is, the parameter value to the identification processing unit 4 as described above.
[0080]
The identification processing unit 4 is an arithmetic device having a so-called “hierarchical backpropagation neural network (BPNN)” function with a learning function, and each target given from the feature amount extraction processing unit 33 as shown in FIG. A feature amount corresponding to an object is input to an input layer of the neural network, and a corresponding degree to a preset output category is output.
[0081]
More specifically, as shown in FIG. 15, the identification processing unit 4 includes a back-propagation neural network 41 for simultaneous detection of underground radar / magnetic sensors, a back-propagation neural network 42 for detecting underground radar, and a back for detecting magnetic sensors. Propagation neural network 43 has the three neural network functions, and the feature quantity related to the target detected simultaneously by both ground penetrating radar 1 and magnetic sensor 2 is back propagation for ground penetrating radar / magnetic sensor simultaneous detection. Features related to the target detected by the ground radar 1 alone to the input layer of the neural network 41 are input to the input layer of the back propagation neural network 42 for ground penetrating radar detection alone and by the magnetic sensor 2 alone. The feature value for the target detected in They are inputted respectively to the input layer of the sub detecting backpropagation neural network 43.
[0082]
As can be seen from FIG. 15, the configuration of the neural network shown in FIG. 14 is that of the back-propagation neural network 41 for simultaneous detection of the underground radar / magnetic sensor shown in FIG. Since only the parameters corresponding to each sensor can be used as a whole to have the same configuration, detailed description thereof will be omitted.
[0083]
Each neural network included in the identification processing unit 4 is previously learned offline. Specifically, first, detection trials of these landmine samples are repeated by using the landmine detection device according to the present invention while changing the embedding conditions such as soil quality and embedding depth. Then, from among the targets detected by the mine detector in each trial, a target that substantially matches the actual location where the mine was buried is selected, and the output category of the buried mine is assigned to this target, The connection weight is corrected by using the error back propagation learning function of the network. In the present embodiment, as shown in FIG. 14, the output categories are “mine”, “non-mine”, “metal-to-person mine”, “non-metal-to-person mine”, “metal-to-tank mine”, and “ Non-metal anti-tank landmines ”, but not limited to these. Note that “non-mine” is assigned to all positions other than the landmine buried position.
[0084]
The neural network learning algorithm is a general procedure shown in the flowchart of FIG. Specifically, the identification processing unit 4 first initializes the stored connection load (step S101), and the embedding condition input from the input unit 5 connected to the identification processing unit 4 and the corresponding A learning pattern including an output category (so-called teacher signal) or the like to be set is set (step S102).
[0085]
Next, the identification processing unit 4 starts a detection trial, and sequentially performs output calculation of the intermediate layer unit (step S103) and output calculation of the output layer unit (step S104).
[0086]
Subsequently, the identification processing unit 4 sequentially performs error calculation of the output layer unit (step S105) and error calculation of the intermediate layer unit (step S106) for the input output category, and based on the calculation error, the output layer unit Are corrected in order so as to approximate the output category inputted above (step S107) and the coupling load between the input layer and the intermediate layer (step S108).
[0087]
Then, the identification processing unit 4 updates the set learning pattern to change the condition of the detection trial (step S109), and whether or not the number of learning repetitions is within a predetermined number of learning repetitions according to the variation of the learning pattern. Is confirmed (step S110). If the number is less than the number of learning repetitions (“YES” in step S110), the identification processing unit 4 returns to step S103 to learn with another updated learning pattern, and if not less than the number of learning repetitions (step S110). In “NO”), it is determined that the trial of all the learning patterns has been completed, and the learning is ended.
[0088]
The learning as described above is performed by the backpropagation neural network 41 for simultaneous detection of the underground radar / magnetic sensor, the backpropagation neural network 42 for detecting the underground radar, and the backpropagation neural network for detecting the magnetic sensor. Each of the three neural networks is performed. Although the present embodiment has been described assuming offline learning, it is also possible to perform learning online.
[0089]
Such identification results by the identification processing unit 4 are displayed on the display unit 6 connected to the identification processing unit 4 in the form shown in FIGS. 17A and 17B and FIG.
[0090]
In FIGS. 17A and 17B, the target detected only by the ground radar 1, the target detected only by the magnetic sensor 2, and the ground radar 1 and the magnetic sensor 2 are detected. The target is visually distinguished from each other and displayed, and the underground state is expressed by a horizontal sectional view and a vertical sectional view so that the three-dimensional position of each target is easily understood visually.
[0091]
More specifically, in FIG. 17A, the detected target is displayed in a shape after extraction in a rectangular area in which the horizontal axis represents the scanning direction and the vertical axis represents the horizontal distance in the channel direction. Yes. On the other hand, in FIG. 17B, the detected target is displayed in a shape after extraction in a rectangular area in which the horizontal axis indicates the scanning direction and the vertical axis indicates the depth direction.
[0092]
In addition, for each target displayed as shown in FIGS. 17A and 17B, the corresponding degree (identification rate) for each output category calculated using the neural network is a numerical value. Or may be displayed in the form of a bar graph as shown in FIG.
[0093]
In the example of FIG. 18, in the two output categories of “mine” and “non-mine”, the probability of landmine is much larger, and it can be seen that the landmine is a landmine. Next, there are four types of landmines: the remaining “metal-to-person mine”, “non-metal-to-person mine”, “metal-to-tank landmine”, and “non-metal-to-tank landmine”. This can be seen by looking at the output category. That is, in this example, the probability of a metal antipersonnel mine is greater than others, and it can be determined that the antipersonnel mine is a metal antipersonnel mine.
[0094]
In the present embodiment, it has been described that the operator sees the screen display as shown in FIGS. 17A and 17B and FIG. 18 to perform the final determination of the target. It is also possible to adopt a configuration in which processing is performed by a computer.
[0095]
The mine detection device according to the present embodiment described above can also be mounted on an appropriate moving body 100 as shown in FIG. The moving body 100 may be configured to include the entire part of the landmine detection device, or at least only the active sensor part (the ground radar 1 and the magnetic sensor 2 etc.) is mounted and arranged at another position. For example, data may be exchanged with the rest of the landmine detection device by wireless communication, for example.
[0096]
In the example of FIG. 19, the moving body 100 has a form like a wheel loader, and includes a pair of arms 101 that can be moved up and down at a front portion thereof. And the box-shaped scanning part 102 which accommodated the magnetic sensor 2 is supported horizontally. The scanning unit 102 is supported by the arm 101 at a predetermined distance from the ground surface, and can radiate electromagnetic waves for detecting landmines from the lower side to the ground and receive reflected waves from the ground. As described above, the underground radar 1 and the magnetic sensor 2 are disposed in the lower part of the scanning unit 102.
[0097]
In addition, a landmine detection device according to another embodiment can be made portable and small as shown in FIG. The portable landmine detection device 200 has a rod shape as a whole, and includes

gripping portions

203, 204, 205 and the like that are gripped by an operator at one end on the upper side. In addition, a disk-shaped scanning unit 202 is provided at the other end. Inside the scanning unit 202, a ground penetrating radar 1 and a magnetic sensor 2 are housed, and these active sensor parts radiate electromagnetic waves for mine detection from the lower side to the ground. It is arrange | positioned so that the reflected wave of can be received. These active sensor parts are connected to a box-shaped controller 201 arranged at the upper part of the rod-shaped device main body, and the controller 201 includes an input unit 5, a display unit 6 and the like, and detects landmines other than the active sensor part. It has a device part.
[0098]
【The invention's effect】
According to the method for detecting an object in the ground according to the present invention, the apparatus used for implementing the method, and the moving body equipped with the apparatus, the imaging information of the reflected wave by the sensor is binarized, and the binarized image is By performing processing using a neural network, detection processing can be automated, and high detection accuracy that does not require operator skill can be provided.
[Brief description of the drawings]
FIG. 1 is a functional block diagram showing a configuration of a landmine detection device according to an embodiment of the present invention.
FIG. 2 is a schematic diagram of image data showing an underground state detected by the underground radar of the landmine detection device according to the present embodiment, and (a) is an original image at the time of detection by the underground radar, (B) is an image after synthetic aperture processing, and (c) is an image after target determination processing.
FIG. 3 is a schematic diagram of image data showing an underground state detected by the magnetic sensor of the landmine detection device according to the present embodiment, where (a) is an original image at the time of detection by the magnetic sensor; ) Is an image after differentiation processing, and (c) is an image after target determination processing.
FIG. 4 is a flowchart showing a procedure by which the target area extraction processing unit shown in FIG.
FIG. 5 is a flowchart showing a procedure by which the target area extraction processing unit shown in FIG. 1 processes image data by a magnetic sensor.
6 is a diagram for explaining a labeling process of a target area extraction processing unit shown in FIG. 1; FIG.
FIG. 7 is a diagram for explaining processing in which the target position determination processing unit shown in FIG. 1 determines the identity of a plurality of detected targets.
FIG. 8 is a diagram for explaining a process in which the target position determination processing unit shown in FIG. 1 determines the identity of a plurality of detected targets.
FIG. 9 is a diagram for explaining processing in which the target position determination processing unit shown in FIG. 1 determines the identity of a plurality of detected targets.
FIG. 10 is a schematic diagram of a target image for explaining interpolation by which the target position determination processing unit shown in FIG. 1 improves the apparent resolution of the ground penetrating radar.
FIG. 11 is a diagram for explaining processing in which the target position determination processing unit shown in FIG. 1 determines the identity between a target detected by a ground penetrating radar and a target detected by a magnetic sensor. is there.
12 is a table showing parameters that the feature quantity extraction processing section shown in FIG. 1 gives to the input layer of the neural network of the identification processing section, that is, feature quantities of the target by the ground radar and magnetic sensor. FIG.
13 is a diagram for explaining a method by which a feature amount extraction processing unit illustrated in FIG. 1 calculates each feature amount from a binarized image. FIG.
14 is a schematic diagram illustrating a configuration of a neural network of the identification processing unit illustrated in FIG. 1. FIG.
15 is a block diagram showing a configuration of a neural network of the identification processing unit shown in FIG. 1. FIG.
16 is a flowchart showing a learning algorithm of the neural network of the identification processing unit shown in FIG.
17 is a schematic diagram showing a form in which the identification processing unit shown in FIG. 1 displays a mine detection result on a display unit, where (a) is a display in a horizontal sectional view of an underground state, and (b) is a diagram. The display by the vertical cross section view of the state in the ground is shown, respectively.
FIG. 18 is a schematic diagram showing a form in which the identification processing unit shown in FIG. 1 displays the mine detection result on the display unit, and shows the corresponding degree (identification rate) for the output category of each target.
FIG. 19 is a front view showing an embodiment of a mobile object equipped with a landmine detection device according to an embodiment of the present invention.
FIG. 20 is a perspective view showing an embodiment in which a landmine detection device according to another embodiment of the present invention is portable.
[Explanation of symbols]
1 Ground penetrating radar
2 Magnetic sensor
4 Identification processing unit (back-propagation neural network)
5 Input section
6 Display section
31 Target area extraction processing unit
33 Feature extraction processing unit
100 mobile
200 Portable landmine detector

Claims

In the method of propagating the generated electromagnetic wave to the ground, detecting the reflected wave from the ground with a sensor, imaging the detection result, and detecting the object in the ground based on the imaged state of the reflected wave,
A plurality of types of imaging information of the reflected waves of sensor binarized respectively,
From the binarized image, each feature amount of the detected object corresponding to the detection characteristics of the plurality of types of sensors is extracted,
The feature quantity corresponding to each extracted type of sensor is input to the input layer of each corresponding neural network, and the feature quantity corresponding to the extracted multiple types of sensors is input to the corresponding input layer of another neural network. To identify objects in the ground,
If it is identified as an object of interest by at least one of the neural networks, wherein that you determined that the detected.

One of the plurality of types of sensors includes one underground radar or a plurality of arrayed underground radars, and the feature amount is a size in a scanning direction of a binary image of an object detected by the underground radar, The method according to claim 1 , wherein the method is at least one of depth size, cross-sectional area, cross-sectional circularity, and radar rear cross-sectional area.

One of the plurality of types of sensors includes one magnetic sensor or a plurality of arrayed magnetic sensors, and the feature amount includes a scan direction size and a sensor array direction in a binary image of an object detected by the magnetic sensor. The method of claim 1 , wherein the method is at least one of size, planar area, and planar circularity.

The neural network method according to any of claims 1 to 3, characterized in that a back-propagation neural network.

Object of the underground A method according to any one of claims 1 to 4, characterized in that a mine that has been buried in the ground.

In an apparatus for propagating the generated electromagnetic wave to the ground, detecting a reflected wave from the ground with a sensor, imaging the detection result, and detecting an object in the ground based on the state of the reflected wave imaged,
And binarizing means for binarizing each imaging information of the reflected waves of a plurality of types of sensors,
Feature quantity extraction means for extracting the feature quantities of the detected objects corresponding to the detection characteristics of the plurality of types of sensors from the binarized image by the binarization means;
The feature quantity corresponding to each type of sensor extracted by the feature quantity extraction means is input to the input layer of each corresponding neural network, and the feature quantity corresponding to the plurality of types of extracted sensors is handled. Identifying means for inputting into an input layer of another neural network to identify an object in the ground ,
Equipped with a,
The identification means, if it is identified as an object of interest by at least one of neural networks, characterized that you determined that the detection device.

One of the plurality of types of sensors includes one underground radar or a plurality of arrayed underground radars, and the feature amount is a size in a scanning direction of a binary image of an object detected by the underground radar, The apparatus according to claim 6 , wherein the apparatus has at least one of a depth direction size, a cross-sectional area, a cross-sectional circularity, and a radar rear cross-sectional area.

One of the plurality of types of sensors includes one magnetic sensor or a plurality of arrayed magnetic sensors, and the feature amount includes a scan direction size and a sensor array direction in a binary image of an object detected by the magnetic sensor. The apparatus of claim 6 , wherein the apparatus is at least one of size, planar area, and planar circularity.

The neural network system as claimed in any of claims 6 to 8, characterized in that a back-propagation neural network.

Object of the underground, the device according to any one of claims 6 to 9, characterized in that the mines are buried in the ground.

A moving body comprising the apparatus according to any one of claims 6 to 10 .