Research on Unexploded Ordnance Disposal Technology Based on Drone in Low Altitude Environment

doi:10.3969/j.issn.1009-086x.2026.03.005

Abstract

Abstract:

With the continuous advancement of combat-oriented training， a certain number of unexploded ordnance （UXO） may appear on field training grounds. Manual methods for UXO disposal involve high risks and require considerable manpower. Meanwhile， the rapid transformation of operational support in low-altitude airspace environments provides new possibilities for disposing of UXO. This paper mainly introduces UAV-based UXO disposal technology from the perspective of low-altitude UAV operations. It first reviews the current research status of UXO detection， recognition， and neutralization technologies， and then summarizes the existing difficulties and challenges based on an analysis of the full process of UXO disposal. Taking UAV-based UXO disposal as an example， it explores key technologies such as the construction of training range maps， UXO recognition algorithms， and neutralization methods. Finally， it puts forward views on future development， aiming to provide guidance for the application of UXO disposal in subsequent low-altitude combat support.

Key words: UAV, unexploded ordnance disposal, deep learning, multimodal fusion, unexploded ordnance（UXO） recognition

摘要：

由于实战化训练的不断深入，在野外训练场也会出现一定数量的未爆弹，人工处置未爆弹方式有较大风险、耗费人力多。低空空域环境下的作战保障出现了突飞猛进的变革，为处置未爆弹带来了新的可能，从低空无人机出发介绍了基于无人机的未爆弹处置技术，并总结了未爆弹的检测、识别和销毁的研究现状，在未爆弹处置全流程的分析基础上，归纳了存在的难点问题。以无人机处置未爆弹为例，针对靶场地图建立、未爆弹的识别算法、销毁手段等关键技术进行探究，并提出低空无人机系统处置未爆弹的未来发展趋势，以期为后续低空作战保障中未爆弹处置提供参考与方向引领。

关键词: 无人机, 未爆弹处置, 深度学习, 多模态融合, 未爆弹识别

CLC Number:

TP301.6

Yongliang HE, Zhenyu GAO, Hui TANG, Chen FEI. Research on Unexploded Ordnance Disposal Technology Based on Drone in Low Altitude Environment[J]. Modern Defense Technology, 2026, 54(3): 50-59.

贺拥亮, 高振宇, 唐辉, 费陈. 低空环境下基于无人机的未爆弹处置技术[J]. 现代防御技术, 2026, 54(3): 50-59.

Figures/Tables 8

References 24

[1]	员康，党峰，韩向东，等. 未爆弹药安全化处置关键技术［J］. 兵工学报， 2024， 45（增2）： 231-239.
	YUN Kang， DANG Feng， HAN Xiangdong， et al. Key Technology of Safe Disposal of Unexploded Ordnance［J］. Acta Armamentarii， 2024， 45（S2）： 231-239.
[2]	时党勇，吴立辉，李跃武，等. 水下未爆弹探排技术现状及展望［J］. 中国水运， 2025（11）： 154-157.
[3]	王晓龙，唐甫，甘以津，等. 浅埋未爆弹瞬变电磁响应特征及探测实践［J］. 工程地球物理学报， 2024， 21（5）： 837-846.
	WANG Xiaolong， TANG Fu， GAN Yijin， et al. Transient Electromagnetic Response Characteristics and Probing Practices of Shallowly Buried Unexploded Ordnance［J］. Chinese Journal of Engineering Geophysics， 2024， 21（5）： 837-846.
[4]	张军，陈磊，高智杰，等. 低空无人机技术研究现状与展望［J］. 中国工程科学， 2025， 27（2）： 73-85.
	ZHANG Jun， CHEN Lei， GAO Zhijie， et al. Low-Altitude Unmanned Aerial Vehicle Technology： Current Status and Prospects［J］. Strategic Study of CAE， 2025， 27（2）： 73-85.
[5]	SHAKHATREH H， SAWALMEH A H， AL-FUQAHA A， et al. Unmanned Aerial Vehicles （UAVs）： A Survey on Civil Applications and Key Research Challenges［J］. IEEE Access， 2019， 7： 48572-48634.
[6]	LEE C， KIM S， CHU B. A Survey： Flight Mechanism and Mechanical Structure of the UAV［J］. International Journal of Precision Engineering and Manufacturing， 2021， 22（4）： 719-743.
[7]	AHMAD T. 基于增强深度学习的目标检测［D］. 北京：华北电力大学（北京）， 2021.
	AHMAD T. Enhancing Deep Learning Based Object Detection［D］. Beijing： North China Electric Power University（Beijing）， 2021.
[8]	LIU J， HAN Z， CUI Y， et al. A Deep Learning Approach for UXO Detection Using Convolutional Neural Network from Airborne Magnetic Data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-12.
[9]	BAJIĆ M Jr， POTOČNIK B. UAV Thermal Imaging for Unexploded Ordnance Detection by Using Deep Learning［J］. Remote Sensing， 2023， 15（4）： 967.
[10]	GIRSHICK R， DONAHUE J， DARRELL T， et al. Proceedings of 2015 IEEE International Conference on Computer Vision（ICCV）. Santiago， Chile： IEEE， 2015： 1440-1448.
[11]	胡聪，何晓晖，邵发明，等. 基于Faster R-CNN的未爆弹检测［J］. 机电产品开发与创新， 2021， 34（5）： 105-107.
	HU Cong， HE Xiaohui， SHAO Faming， et al. Unexploded Ordnance Detection Based on Faster R-CNN［J］. Development & Innovation of Machinery & Electrical Products， 2021， 34（5）： 105-107.
[12]	王卫斌.基于改进卷积神经网络的动态目标自动跟踪系统［J］.自动化与仪器仪表，2025，（8）：171-175
	WANG Weibin. Dynamic Target Automatic Tracking System Based on Improved Convolutional Neural Network［J］. Automation & Instrumentation， 2025，（8）： 171-175.
[13]	REDMON J， DIVVALA S， GIRSHICK R， et al. You Only Look Once： Unified， Real-Time Object Detection［C］∥Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Las Vegas， NV， USA： IEEE， 2016： 779-788.
[14]	杨辉跃，容易圣，简钰洪，等.低空无人机实时探测的GCB-YOLOv5s算法［J］.兵器装备工程学报，2023，44（7）：1-8.
	YANG Huiyue， RONG Yisheng， JIAN Yuhong，et al. GCB-YOLOv5s Algorithm for Real-Time Detection of a Low Altitude UAV［J］. Journal of Ordnance Equipment Engineering， 2023， 44（7）： 1-8.
[15]	程淼. 基于深度学习的未爆弹识别算法研究［D］. 上海：上海电机学院， 2024.
	CHENG Miao. Research on Unexploded Bomb Identification Algorithm Based on Deep Learning［D］. Shanghai： Shanghai Dianji University， 2024.
[16]	黄启东，张彬彬，夏良. 基于改进YOLOv8n的轻量化未爆弹检测方法［J］. 兵器装备工程学报， 2024， 45（10）： 309-316.
	HUANG Qidong， ZHANG Binbin， XIA Liang. Lightweight Unexploded Ordnance Detection Method Based on Improved YOLOv8n［J］. Journal of Ordnance Equipment Engineering， 2024， 45（10）： 309-316.
[17]	王振. 轮履复合机器人的移动平台设计及性能分析［D］. 南京：南京理工大学， 2022.
[18]	任云燕，温瑞，陈放. 水射流冲击销毁简易爆炸装置仿真研究［J］. 兵器装备工程学报， 2023， 44（1）： 116-120.
	REN Yunyan， WEN Rui， CHEN Fang. Numerical Simulation of Improvised Explosive Devices Destroyed by Water Jet［J］. Journal of Ordnance Equipment Engineering， 2023， 44（1）： 116-120.
[19]	LI J， LIU K， WANG F， et al. A Review of UAV-Based Applications for Unexploded Ordnance Detection and Disposal［J］. Journal of Field Robotics， 2023， 40（4）： 834-860.
[20]	TOTH C， JÓŹKÓW G. Remote Sensing Platforms and Sensors： A Survey［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2016， 115： 22-36.
[21]	曾俊，卢瑞涛，杨小冈，等. 六旋翼无人机空基智能排爆系统设计与实现［J］. 电光与控制， 2023， 30（5）： 61-65.
	ZENG Jun， LU Ruitao， YANG Xiaogang， et al. Design and Implementation of Air-Based Intelligent EOD System Based on Six-Rotor UAV［J］. Electronics Optics & Control， 2023， 30（5）： 61-65.
[22]	周子扬，王黎明，侯佳欣，等. 基于改进YOLOv8的航拍未爆弹检测［J］. 海军工程大学学报， 2025， 37（1）： 59-64.
	ZHOU Ziyang， WANG Liming， HOU Jiaxin， et al. Detection Algorithm of Unexploded Bombs in Aerial Photography Based on Improved YOLOv8［J］. Journal of Naval University of Engineering， 2025， 37（1）： 59-64.
[23]	贾亮，陈茂辉，王琪，等. 改进YOLOv8n的航拍多尺度目标检测模型［J/OL］. 电子测量技术. （2025-08-28）［2025-09-06］. .
	JIA Liang， CHEN Maohui， WANG Qi， et al. An Improved Multi-scale Target Detection Model for Aerial Photography Based on YOLOv 8n［J/OL］. Electronic Measurement Technology. （2025-08-28）［2025-09-06］. .
[24]	MICHAEL N， SHEN Shaojie， MOHTA K， et al. Collaborative Mapping of an Earthquake-Damaged Building Via Ground and Aerial Robots［J］. Journal of Field Robotics， 2012， 29（5）： 832-841.

技术样式	核心技术	主要特点	适用场景
可见光摄影测量	高清相机、多角度拍摄、三维建模	速度快，分辨率高，成本较低	日间场景，快速获取二维、三维影像
激光雷达扫描	激光测距、点云数据、三维重建	穿透性强，不受光照影响，可生成高精度数字高程模型	复杂地形、夜间或弱光环境，精确测量弹坑大小、深度及定位
实景三维建模	实景三维、AI大模型、空域信息数字化	高度还原真实世界，包含地理实体，支持空间分析	城市、山区、水域等多种地形，为低空飞行提供立体导航，评估弹着点影响
多模态融合技术	融合雷达、红外、频谱分析等多种探测技术	全天候工作，抗干扰能力强，信息维度丰富	恶劣天气、夜间、强电磁干扰等复杂环境，实现对低空目标精准识别跟踪
高精度定位与时空基准	北斗高精度定位终端、惯性测量单元（IMU）、地面基准站	提供绝对精准的地理坐标，稳定性高	为所有感知数据提供精确的时空标签，是各类技术协同工作和数据精确融合的基础

技术样式	核心技术	主要特点	适用场景
可见光摄影测量	高清相机、多角度拍摄、三维建模	速度快，分辨率高，成本较低	日间场景，快速获取二维、三维影像
激光雷达扫描	激光测距、点云数据、三维重建	穿透性强，不受光照影响，可生成高精度数字高程模型	复杂地形、夜间或弱光环境，精确测量弹坑大小、深度及定位
实景三维建模	实景三维、AI大模型、空域信息数字化	高度还原真实世界，包含地理实体，支持空间分析	城市、山区、水域等多种地形，为低空飞行提供立体导航，评估弹着点影响
多模态融合技术	融合雷达、红外、频谱分析等多种探测技术	全天候工作，抗干扰能力强，信息维度丰富	恶劣天气、夜间、强电磁干扰等复杂环境，实现对低空目标精准识别跟踪
高精度定位与时空基准	北斗高精度定位终端、惯性测量单元（IMU）、地面基准站	提供绝对精准的地理坐标，稳定性高	为所有感知数据提供精确的时空标签，是各类技术协同工作和数据精确融合的基础

算法种类	主要原理	优/缺点	未爆弹识别场景应用分析
Faster R-CNN	两阶段检测：①区域提议网络（RPN）生成候选框；②对候选框进行分类与回归	检测精度高，但速度慢，不能实现实时性输出；参数量大部署成本高	适用于对实时性要求不高的精准分析，但在低空无人机等需要快速响应的移动平台上，适用性低
YOLOv8	单阶段检测：将目标检测视为回归问题，通过神经网络对进行前向传播，预测边界框和类别概率	识别速度快，能满足实时性要求；模型轻量化效果好，在移动平台上易于部署；精度略低	契合低空无人机未爆弹处置场景。经过改良其精度能满足未爆弹识别任务，且低空无人机的高机动性可快速抵近观察，弥补缺陷
ViT	运用Transformer架构：将图像划分为图块序列作为输入，利用注意力机制进行特征提取和全局依赖关系捕捉	全局特征表示能力强，可实现多目标检测；精度高，但参数量大，检测速度慢	适用于事后离线分析，难以应用于低空无人机的嵌入式平台
DETR	基于Transformer的端到端检测：提取特征后，进行全局关系建模，使用二分图匹配后，直接输出预测结果	简化了检测流程，在目标遮挡、复杂背景下鲁棒性更强；收敛速度慢，部署难度大，小目标检测性能弱	展现了处理复杂场景的潜力，但其收敛慢和高资源需求的特点，目前难以适用于轻量化部署

算法种类	主要原理	优/缺点	未爆弹识别场景应用分析
Faster R-CNN	两阶段检测：①区域提议网络（RPN）生成候选框；②对候选框进行分类与回归	检测精度高，但速度慢，不能实现实时性输出；参数量大部署成本高	适用于对实时性要求不高的精准分析，但在低空无人机等需要快速响应的移动平台上，适用性低
YOLOv8	单阶段检测：将目标检测视为回归问题，通过神经网络对进行前向传播，预测边界框和类别概率	识别速度快，能满足实时性要求；模型轻量化效果好，在移动平台上易于部署；精度略低	契合低空无人机未爆弹处置场景。经过改良其精度能满足未爆弹识别任务，且低空无人机的高机动性可快速抵近观察，弥补缺陷
ViT	运用Transformer架构：将图像划分为图块序列作为输入，利用注意力机制进行特征提取和全局依赖关系捕捉	全局特征表示能力强，可实现多目标检测；精度高，但参数量大，检测速度慢	适用于事后离线分析，难以应用于低空无人机的嵌入式平台
DETR	基于Transformer的端到端检测：提取特征后，进行全局关系建模，使用二分图匹配后，直接输出预测结果	简化了检测流程，在目标遮挡、复杂背景下鲁棒性更强；收敛速度慢，部署难度大，小目标检测性能弱	展现了处理复杂场景的潜力，但其收敛慢和高资源需求的特点，目前难以适用于轻量化部署