Отримано 20.01.2026
Доопрацьовано 15.02.2026
Прийнято 26.03.2026
Опубліковано 07.04.2026
Взято з Вип. 119, 2026
Сторінки 74 -86
Анотація
В роботі розглядається питання створення інтелектуальної мультисенсорної системи для виявлення вибухонебезпечних предметів (ВНП) при виконанні механізованих земляних робіт екскаваторами та бульдозерами. Актуальність роботи зумовлена значним забрудненням територій України ВНП внаслідок воєнних дій та необхідністю підвищення безпеки відновлювальних робіт. Об’єкт дослідження – процес виявлення вибухонебезпечних предметів у ґрунті під час роботи землерийної техніки. Мета дослідження полягає в розробці концепції та архітектури інтелектуальної системи, здатної в реальному часі з високою точністю ідентифікувати ВНП, мінімізуючи ризик для персоналу та підвищуючи продуктивність робіт шляхом інтеграції даних різнорідних сенсорів та застосування алгоритмів штучного інтелекту, а саме: ймовірності виявлення ВНП; рівня хибних спрацювань; глибини зондування для різних типів ВНП; часу обробки даних для забезпечення безперервної роботи техніки. В роботі наводяться результати аналітичних досліджень, проведених шляхом аналізу літературних джерел та комп'ютерного моделювання роботи системи в різних ґрунтових умовах. Запропонована система інтегрує георадар (GPR) діапазону 400–900 МГц, магнітоградієнтний датчик, інфрачервоний сенсор та інерційний вимірювальний модуль. Обробка даних здійснюється за допомогою згорткових нейронних мереж (CNN) для аналізу GPR-сигналів, рекурентних нейронних мереж (LSTM) для аналізу магнітних сигналів та байєсівської інтеграції (Bayesian fusion) для об'єднання результатів. Проведені дослідження дозволили визначити основний напрямок підвищення ефективності виявлення ВНП за рахунок комплексної обробки мультисенсорних даних в умовах експлуатації дорожньо-будівельних машин
Ключові слова:
вибухонебезпечні предмети, георадар, землерийна техніка, штучний інтелект, згорткові нейронні мережі, LSTM, байєсівська інтеграція, безпека праці, механізовані земляні роботи1. Daniels, D.J. (2019). Ground Penetrating Radar (3rd ed.). London: IET.
2. Sato, M., Takahashi, K. (2020). Detection of buried explosive devices using GPR and AI. IEEE Transactions on Geoscience and Remote Sensing, 58(6), 4152-4163.
3. Billings, S. (2021). Multisensor approaches to landmine detection. Journal of Applied Remote Sensing, 15(3), 036506.
4. UNMAS. (2022). Landmine Monitor Report 2022. Geneva: United Nations.
5. Singh, R., Kumar, A., Patel, M. (2020). Machine learning for explosive object detection: A comprehensive review. Sensors, 20(15), 4245.
6. Machado Brito-da-Costa, A., Martins, D., Rodrigues, D., Fernandes, L., Moura, R., Madureira-Carvalho, Á. (2022). Ground Penetrating Radar for Buried Explosive Devices Detection: A Case Studies Review. Australian Journal of Forensic Sciences, 54(4), 559-578.
7. Bossi, A., et al. (2025). Multi-Sensor Cooperative Robots for Shallow Buried Explosive Threat Detection: Radar Sensors and Optical Sensors Integrated by System Software. In 2025 13th International Workshop on Advanced Ground Penetrating Radar (IWAGPR) (pp. 1-5). IEEE.
8. Lekhak, S., Ientilucci, E. (2026). Researchers are combining drones and AI to make removing land mines faster and safer. The Conversation. Retrieved from https://theconversation.com/researchers-are-combining-drones-and-ai-to-make-removing-land-mines-faster-and-safer-272248
9. Ramaswamy, K., et al. (2000). Data Fusion and Evidence Accumulation for Landmine Detection using Dempster-Shafer Algorithm. Proceedings of SPIE, 4038.
10. ARIESProject. (2026). Ghent University. Retrieved from https://ipi.ugent.be/projects/2026_aries/ [In Ukrainian]
11. Research of methods of searching for explosive objects. (2024). Technical Sciences and Technologies, 1(35), 156-169.
12. (Bayes-CNN-LSTM for time series (Technical details of architectures). 2025). Retrieved from https://blog.csdn.net/m0_57362105/article/details/146519105
13. Field Explosives Detectors – Current Status and Development Prospects. Sensors, 25(19), 6024.
14. Mishchuk, V.V., Fesenko, H.V. (2024). Analysis of Computer Vision Methods and Means for Explosive Ordnance Detection Mobile Systems. Elektronne Modeliuvannia, (1), 90-111.
15. A multi-country epidemiological analysis of mortality from landmines and other explosive ordnance. Counter-IED Report. Retrieved from https://counteriedreport.com/a-multi-country-epidemiological-analysis-of-mortality-from-landmines-and-other-explosive-ordnance/
16. Baur, J., Steinberg, G., Nikulin, A., Chiu, K., de Smet, T.S. (2020). Applying deep learning to automate UAV-based detection of scatterable landmines. Remote Sensing, 12(5), 859.
17. Qiu, Z., Guo, H., Hu, J., Jiang, H., Luo, C. (2023). Joint fusion and detection via deep learning in UAV-borne multispectral sensing of scatterable landmine. Sensors, 23(12), 5693.