地雷探测也能靠"眼睛"？无人机用光谱技术找地雷，还需要人来把关

这项由美国罗切斯特理工大学（Rochester Institute of Technology）开展的研究，以预印本形式发布于2026年7月，论文编号为arXiv:2607.25310，有兴趣深入了解的读者可以通过该编号查询完整原文。研究聚焦于一个非常现实的难题：如何用无人机搭载的高光谱相机，在复杂地面环境中准确找到蝴蝶雷（PFM-1型地雷），同时尽可能减少让操作员白跑一趟的"假警报"。 地雷是二战以来全球人道主义危机的长期根源之一。PFM-1是一种苏联设计的小型散布地雷，外形酷似一只蝴蝶，体积极小（约120毫米×61毫米×20毫米），颜色与土地相近，极难被肉眼发现，至今仍在多个冲突地区造成平民伤亡。传统的人工排雷既慢又危险，因此研究人员一直在探索能让人"站得远远的"技术方案。 高光谱成像技术正是其中一条路径。普通相机只能看到"红绿蓝"三种颜色，而高光谱相机就像一台超级分光仪，能把光线分解成几百个细微的波段，就像把白光打散成极其精细的彩虹。这样一来，不同材料——土壤、草地、塑料地雷外壳——在这张"彩虹地图"上会呈现出截然不同的"光谱指纹"，研究人员由此可以区分它们。把这套相机装上无人机，就能在不接触危险区域的前提下，从空中扫描大片地面。 然而，问题远没有这么简单。这支研究团队的核心问题是：当无人机拍到的"光谱指纹"和地面上用专业仪器测量的"参考指纹"不完全吻合时，检测效果会差多少？而如果让一个真实的操作员参与进来，逐步核验、逐步修正，最终能补回多少损失？这正是本研究想要回答的问题。 要理解这项研究的挑战，先从数据说起。研究团队使用了一张由无人机在约20.62米低空飞行时拍摄的高光谱图像，图像尺寸为1705列×3461行像素，一共保留了272个波段，覆盖约400纳米到1000纳米的可见光与近红外范围。整张图像包含的像素总数接近590万个。 在这近590万个像素中，属于PFM-1地雷的像素只有248个。换算一下，目标占比约为0.0042%——大约每两万四千个像素里，才有一个是地雷。这个比例意味着什么？好比你在一整座城市的地面上，找一张普通A4纸大小的目标，而且这张纸的颜色和地面非常接近。 研究团队把这248个目标像素进一步分析，发现它们分属7个独立的物理地雷位置（最初的连通区域分析产生了9个碎片，合并相邻的后得到7个目标区域）。每个目标区域包含的像素数从11到61不等，面积都极小。这7个区域就是这项研究的"终极寻宝目标"——找到全部7个，任务才算完成。 正因为目标如此稀少，传统的评估方式——比如ROC曲线下面积（ROC-AUC，可以理解为"整体区分能力得分"）——在这里会产生误导。一个算法哪怕在排名靠前的位置塞了大量假警报，它的ROC-AUC依然可能很高，因为它在庞大的背景像素堆里确实表现不错。真正让操作员头疼的，是在找到每一个地雷之前，需要先排查多少个"空穴来风"的假目标位置。研究团队因此引入了两个更贴近实战的评估维度：目标发现曲线和候选位置核查计数，这两个指标后面会详细讲到。 研究团队选用了四种经典的高光谱目标检测算法，可以把它们理解为四种不同风格的"侦探"，都是给定一张"嫌疑人照片"（目标光谱），然后在整张图里找最像这张照片的像素。 第一种叫做光谱角度映射（SAM）。这位侦探的工作原理是测量每个像素的"光谱方向"和目标"光谱方向"之间的夹角，夹角越小说明越像。这种方法对亮度变化不敏感，因为它只看方向不看长度，就像你认一个朋友的走路姿势而不管他今天穿了什么颜色的衣服。研究中同时测试了两个版本：一个是经典的"未中心化SAM"，直接比较原始光谱方向；另一个是"中心化SAM"，先把每个像素减去场景平均值再比较，这个小改动在杂乱的无人机图像中可能影响很大。 第二种叫做匹配滤波器（MF）。这位侦探更聪明一些，它不仅知道目标长什么样，还知道背景的统计规律（平均值和协方差矩阵），能把目标信号从背景"杂音"中更有效地提取出来，类似于在嘈杂的派对现场辨认一个特定人的声音。 第三种叫做自适应相干估计器（ACE）。ACE在MF的基础上更进一步，它对背景能量做了归一化处理，因此对目标信号强度的变化更不敏感，适合处理各种光照条件下的场景，像是一个不管光线强弱都能认出目标的老练侦探。 第四种叫做约束能量最小化（CEM）。CEM的思路有点不同：它不是要最大化目标响应，而是在尽量压制背景能量的同时保留目标响应，就像一个过滤器，专门过滤掉一切"非目标"的声音。研究中使用的是带波段标准化的变体版本。 所有四种方法的输出都是一张分数图：分数越高，越可能是地雷。然后再根据这个分数从高到低排名，判断哪些位置最值得优先检查。 找地雷的关键，是给这四位侦探提供一张准确的"嫌疑人照片"——也就是目标光谱签名。研究团队测试了三种不同来源的签名，效果差异十分显著。 第一种是地面实测签名（Ground SVC）。这是用一台专业的地面光谱仪（SVC型光谱辐射仪）直接对PFM-1地雷表面进行测量得到的。这份签名看起来权威，但问题在于：它是在地面、特定角度、特定光照条件下测量的，而无人机在20多米高空拍摄时，光线方向不同、传感器不同、像素覆盖面积也更大，就算是同一个地雷，看起来也会有些不一样。就好比你用一台专业单反近距离拍朋友的脸，和用手机在十层楼高处俯拍，得到的照片自然有差异。图1（原论文图）清晰展示了这种"签名漂移"：地面SVC签名和图像中实际提取的签名在形状上有明显的偏差，尤其在近红外波段。 第二种是场景内核心像素签名（Core in-scene）。这是把图像中已知7个地雷区域的中心50%像素取平均，直接从图像本身提取出来的签名。这种方法"作弊"成分很高——在真实作战中，你不可能提前知道地雷在哪里，所以这个签名代表的是"如果我们完全了解目标在这张图里的真实外貌"时的理论上限。它不是一个严格意义上的数学上界，因为平均操作本身可能平滑掉部分有用信息，但作为参考基准非常有价值。 第三种是本文提出的"人在回路中的签名引导"（Human-in-the-loop Bootstrap）。这是最核心的创新点。它从地面SVC签名出发，由算法提出候选位置，操作员逐一核验，一旦确认某个位置确实是地雷，就把那个位置的核心像素加入到下一轮的签名中，不断迭代更新。这个过程就像侦探在办案：最初只有一张模糊的嫌疑人照片，但每次抓到一个真正的嫌疑人，就能重新拍一张更清晰的照片，让下次搜索更精准。 从表1（原论文数据）可以看出，地面SVC签名的AP值（平均精确率，一个对稀有目标更敏感的综合指标）普遍偏低：SAM中心化为0.0077，MF为0.0385，ACE为0.1485，而CEM则为0.2136。切换到场景内核心像素签名后，多数算法的AP都有明显提升，ACE的AP从0.1485跃升至0.3138，提升幅度最大。完整引导后的签名与场景内核心像素签名完全一致，因为当7个地雷区域全部被确认后，引导签名就等同于全知的场景内签名。ROC-AUC方面，MF、ACE、CEM在所有签名条件下都保持在0.99以上，显示出整体排序能力很强，但如前所述，这个指标在极度不平衡的问题中容易过于乐观。 这里引入一个更贴近实战的评估框架。研究团队模拟了一个操作流程：算法每轮提出6个空间上分散的候选位置（通过非极大值抑制确保相邻位置不重复），操作员依次核查，确认或否认。确认了新的地雷位置后，更新签名，算法重新计算分数图，开始下一轮。这个过程会一直持续，直到7个地雷区域全部被找到。 每次提出候选位置时，算法会确保候选点之间至少间隔25个像素（约0.32米），核查半径为12个像素（约0.16米），大致对应PFM-1地雷本身的实物尺寸。这样设计既减少了同一轮内的重复提议，也为定位误差留有一定容忍空间。 ACE的表现堪称惊艳：第一轮就直接确认了区域1、2、3、5四个，第二轮补上了区域4、6、7，仅用两轮、累计9次候选核查，就找齐了全部7个地雷位置。CEM表现次之，第2轮确认4个，第3轮再添1个，第4轮收官，共需4轮、22次核查。MF需要7轮、38次核查。 相比之下，两种SAM变体的表现则令人警惕。SAM未中心化版本第一轮就发现了3个区域（1、2、5），看起来开头不错，但第483轮才找到最后一个区域（6号），累计需要2897次核查。SAM中心化版本更是到第760轮才结束，累计需要4558次核查。这说明SAM在排名靠后的位置表现很差——对早期几个好认的目标还凑合，但对更难识别的目标，算法把它们埋在了几千个假警报之后。 这组数据揭示了一个重要教训：ROC-AUC或AP再漂亮，如果在操作层面需要核查几千个假目标才能找到最后一个地雷，实战价值就大打折扣了。 原论文图4展示了在得分排名前0.5%（即99.5百分位阈值）的条件下，各算法的检测地图。绿色圆圈标注已检测到的目标区域，金色圆圈标注漏检的，红叉标注在第一个目标被发现之前遇到的假警报，蓝色圆圈则圈出面积最大的假警报区域。 从空间分布来看，两张SAM地图都有大片连续的高分区域，明显是"误把背景当目标"。更严重的是，SAM中心化版本甚至漏掉了一个目标区域（出现金色圆圈）。MF和CEM的高分区域更集中，但仍有一些孤立的假警报点。ACE的表现最为紧凑，所有7个目标区域都有高分响应，背景中高分结构最少。 研究团队还观察到一个有趣现象：多个较大的假警报区域，位置与实地布置的标定板、地面控制点或AeroPoints（一种GPS标靶）重合。这些高对比度的人工目标在光谱上可能与地雷有一定相似性，导致算法误判。在实际作业中，这些已知支持物体的位置完全可以提前屏蔽，从而进一步降低假警报率——研究团队在讨论中专门提到了这一点。 首先，整个实验是回顾性分析，不是真实部署的系统。"操作员核查"是用地面真值标签模拟的，真实的人类确认过程会更慢、更容易出错，而且需要操作员具备一定的培训背景。其次，场景内核心像素签名是"全知"参考，在实际作业中不存在，它只是帮助我们理解最优状态下的性能上限。第三，如果某个算法的第一个真正目标深埋在排名后几千位，操作员可能早就因为看太多假警报而放弃了，或者因为有限的核查预算而不得不停止——这正是为什么早期发现能力如此重要。 研究团队提出，未来的工作应该探索自适应候选选择策略，比如引入多样性约束（不只提最高分的位置，也提一些"可能被忽视"的候选）；以及多算法联合提名，由ACE和CEM同时给出建议，取并集或加权融合，可能进一步降低总核查量。 归根结底，这项研究想传达的信息很朴素：在真实的地雷清查场景里，"算法在像素级别的排序能力有多强"不是唯一重要的事，"操作员需要核查多少个假目标才能找到每一颗地雷"同样是必须回答的问题。两套标尺缺一不可。 ACE在这次测试中以9次核查找齐7个目标区域，展现出目前最符合实战需求的性能组合。SAM系列虽然起步快，但在最后几个目标上需要数千次核查，暗示其签名匹配机制在复杂无人机图像中存在明显短板。通过人在回路中的签名引导，任何一种算法在积累足够多的已验证目标像素后，最终都能收敛到最优的场景内签名状态——差别只在于"积累"这个过程需要付出多大代价。 有一个问题值得继续思考：随着人工智能在各类安全领域的渗透，我们是否应该把"人"的介入成本也纳入算法设计的核心考量，而不是让它停留在评估环节的附注里？对那些在危险区域工作、每一次错误核查都可能带来额外风险的排雷人员来说，这不是学术问题，而是性命攸关的工程决策。有兴趣进一步探索这个话题的读者，可以通过arXiv编号2607.25310查阅完整原文。 A：普通相机只记录红绿蓝三种颜色，而高光谱相机能把光线分成几百个极细的波段，相当于给每个像素拍一张详细的"光谱指纹"。不同材料的光谱指纹不同，即使颜色看起来相近的土壤和塑料地雷外壳，在高光谱图像里也会呈现出可识别的差异。这就是为什么高光谱成像能用来辅助地雷探测。 A：核心差距在于两者对背景信息的利用方式不同。SAM只比较像素和目标的"光谱方向相似度"，容易被背景中形状相似的物体干扰，导致大量假警报。ACE在比较时额外考虑了整个场景的背景统计规律，能更有效地把目标从背景噪声中分离出来。在本次实验中，ACE仅需9次候选核查就找到全部7个地雷，而SAM中心化版本需要4558次，差距相当于100倍以上。 A：操作员的任务是核查算法提出的候选位置。算法每轮提出6个空间上分散的候选点，操作员判断每个位置是否真的是地雷。一旦确认是地雷，系统就把那个位置的真实光谱信息加入到下一轮的参考签名中，让算法用更准确的"照片"继续搜索。整个过程迭代进行，直到所有目标都被找到或核查预算用完为止。