“Mensen weten vaak niet hoe groot het probleem eigenlijk is”, zegt student Reinis. “Het is verschrikkelijk in voormalige conflictgebieden waar deze mijnen zijn gebruikt in oorlogsvoering. En uiteindelijk zijn het vooral burgers die slachtoffer worden: spelende kinderen, werkende boeren, of gewoon burgers die in die gebieden rondlopen. Eén foute stap en je kunt zomaar een ledemaat verliezen.”
Hoewel er steeds meer technologische oplossingen zijn, worden mijnen tot op de dag van vandaag nog veelal handmatig opgespoord. “Het gebeurt meestal nog steeds lopend door een veld met een metaaldetector. Super riskant natuurlijk, en ook extreem duur en tijdrovend. Elke keer als de metaaldetector piept, moet je ervan uitgaan dat het een landmijn is en extreem voorzichtig zijn – om er vervolgens achter te komen dat het gewoon een frisdrankblikje is.”
DroneTeam Twente
De derdejaarsstudenten Werktuigbouwkunde realiseerden zich dat er een dringende behoefte is aan geautomatiseerde ontmijningstechnologieën. Als leden van het DroneTeam Twente delen ze een interesse in drones – en hoe deze kunnen worden ingezet voor humanitaire hulpdoeleinden. “Elk jaar doet het DroneTeam Twente mee aan een challenge. Daarbij gaat het om het ontwerpen van een drone voor medische hulpverlening. Je wordt beoordeeld op allerlei aspecten: ontwerp, vliegtechniek, batterijefficiëntie, hoeveel vracht je kunt vervoeren en zelfs een marketing en businessplan.”
Toen ze zochten naar een onderwerp voor hun afstudeerscriptie, kwamen ze in contact met Alberto Martinetti. Hij is associate professor Humanitarian Engineering aan de Universiteit Twente en betrokken bij het opzetten van een nieuwe masteropleiding Humanitarian Engineering. “Hij vertelde ons over een door de UT/VU gefinancierd ontmijningsproject waar hij bij betrokken was en dat leek ons het perfecte onderwerp”, vertelt Benjamin. “En het mooiste was dat we aan onze scriptie konden werken terwijl we nog steeds deel uitmaakten van het DroneTeam. Zo konden we het perfect combineren zonder studievertraging op te lopen.”
Machine learning
Zittend in de werkplaats van het DroneTeam houdt Reinis een 3D-geprinte drone omhoog, met een thermische camera eraan vastgebonden. “Dit is een van de drones die we zelf hebben ontwikkeld.” Benjamin: “Reinis richtte zich meer op de mechanische ontwikkeling van de drones, terwijl ik me meer concentreerde op de IT-kant ervan. In principe hebben we een machine learning model getraind om een PFM-1 te herkennen, dat is een Russische landmijn die uit helikopters wordt gestrooid. Dit soort mijnen wordt veel gebruikt en blijft op de oppervlakte liggen. Oekraïne ligt er bijvoorbeeld vol mee."
Dit soort onderzoek is niet nieuw, hoewel Benjamin en Reinis een duidelijk doel hadden met hun scriptie. “De meeste onderzoeken gaan over hoe je de hoogste nauwkeurigheid kunt bereiken bij het opsporen van mijnen. Maar wij wilden onderzoeken: hoe laag kun je gaan in nauwkeurigheid? Hoe snel kan de drone vliegen voordat het beeld te wazig wordt en de landmijnen niet meer herkend worden? Want je wilt natuurlijk efficiënt zijn. Dus onze vraag was: hoe kunnen we het toegankelijk, goedkoop en gestandaardiseerd maken? Het zou geweldig zijn om systemen te hebben die niet onredelijk duur zijn en overal ter wereld kunnen worden ingezet.”
Het afstudeerproject was behoorlijk uitdagend – en er waren best wat obstakels, vertelt Reinis. Bijvoorbeeld bij het bouwen van een efficiënte drone. "Om het efficiënt te maken, moet je je afvragen: hoe zorg je voor een zo groot mogelijk bereik? Je kunt natuurlijk meer batterijen toevoegen, maar dat kost ook weer meer energie omdat de drone zwaarder wordt. Met gespecialiseerde printmethoden en zorgvuldig uitgekozen materialen probeerden we de drones zo licht mogelijk te maken."
Landmijnen nabouwen
Om het machine-learningmodel te kunnen testen, moesten de studenten ook creatief worden. Je kunt immers geen tests uitvoeren met een echte landmijn. Daarom bouwden ze met een 3D-printer hun eigen replica van een PFM-1 landmijn. “En in plaats van het explosieve TNT gebruikten we paraffinewas. Dit is het soort was dat ook voor kaarsen wordt gebruikt, en het heeft dezelfde thermische eigenschappen als TNT”, vertelt Benjamin. “En toen hebben we een heleboel thermische foto's gemaakt van deze landmijnen, op de grond, in het gras, in het zand, sommige waren zelfs gedeeltelijk begraven. Uiteindelijk wilden we het model trainen om ze te herkennen, ook al liggen ze onder de grond”, voegt Reinis toe.
Met meer dan 800 beelden van hun eigen ontwikkelde landmijn die door het machine-learningmodel werden geanalyseerd, begonnen ze te testen op verschillende locaties, door 10 mijnreplica's over een veld te verspreiden en ook andere (metalen) objecten die niet als mijn zouden moeten worden herkend. “We hebben heel wat crashes gehad, maar uiteindelijk werkte het eigenlijk heel goed! De drone was in staat om de meeste mijnreplica's te herkennen en de andere objecten te negeren. Uiteindelijk hadden we een nauwkeurigheid van meer dan 90%.”
Nu de scriptie ten einde loopt, kijken de studenten terug op een geslaagd project. “We moeten ons wel realiseren dat deze methode nooit 100% accuraat zal zijn en dat er nog steeds behoefte zal zijn aan die persoon op de grond met een metaaldetector. Maar stel dat een heel gebied mogelijk vol zit met landmijnen, dan kunnen dronetechnologieën zo’n gebied makkelijker afbakenen. En zo kun je beter prioriteiten stellen over waar je moet beginnen met ontmijningsacties.”
