Система мониторинга пожарной и медико экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов
 Скачать 2.07 Mb.
|
|
1.2 Современные автоматизированные системы контроля пожарной и медико-экологической безопасности Проблема обнаружения, мониторинга и прогнозирования загрязнения воздуха очень актуальна для многих стран. Учитывая долгосрочное экологическое и социальное воздействие парниковых газов, многие развитые и развивающиеся страны уже проявили инициативу и начали ряд проектов в области возобновляемых источников энергии и зеленых ресурсов. Крупные коммерческие организации приняли как превентивные, так и корректирующие меры по сокращению производства парниковых газов. Точные данные о парниковых газах по-прежнему необходимы для обоснования этих корректирующих действий, а также для информирования людей о глобальном 22 потеплении. Эти данные должны включать как временные, так и пространственные вариации концентраций парниковых газов на разных уровнях атмосферы. Планируется разработать системы поддержки принятия решений в реальном времени для мониторинга, обнаружения и реагирования на загрязнение воздуха. Информация наблюдения может помочь избежать катастрофических ситуаций с загрязнением воздуха. Например, предупреждения о загрязнении воздуха помогут командам быстрее реагировать и принимать необходимые меры для устранения опасности. Для этой цели мониторинг загрязнения обычно может проводиться как наблюдение за территориями с точки зрения активности. Процесс мониторинга обычно включает в себя такие действия, как поиск новых загрязнений (т.е. по спутниковым снимкам, сторожевым вышкам или воздушному патрулированию) и обнаружение загрязнение воздуха, что является задачей определения загрязнения и срабатывания сигнализации для запуска реакции. Таким образом, задача обнаружения загрязнения воздуха может быть сведена к устранению неопределенности относительно того, есть ли загрязнение. Необходимо локализовать и охарактеризовать загрязнение воздуха, поэтому задача мониторинга загрязнения воздуха также может быть направлена на расчет основных параметров, связанных с распространением загрязнения, на основе онлайн-наблюдения в режиме реального времени. Однако разработка такого рода поддержки принятий решений – сложная и нетривиальная задача, потому что контроль загрязнения воздушного пространства – это процесс с непредсказуемым поведением. Принимая во внимание неточные или отсутствующие данные, описывающие загрязнение, неполное научное понимание поведения загрязнения, они плохо моделируются и прогнозируются. Это исключает использование хорошо изученных классических подходов к поддержке принятия решений, основанных на моделях, правилах и т. д. В таких условиях эффективность операций по загрязнению воздуха сильно зависит от наличия онлайн-инструментов для мониторинга и обнаружения загрязнения воздушного пространства. Для создания таких инструментов 23 используют набор современных методов и техник, таких как дистанционное зондирование, обработка изображений, БПЛА и т.д. Традиционно для получения широкого обзора эволюции экологических процессов использовались спутниковые и бортовые системы, но деятельность по наблюдению по-прежнему в основном осуществляется людьми. Сторожевые вышки должны быть установлены правильно, чтобы обеспечить достаточную видимость, но они дороги и негибки. Следовательно, их обычно выбирают для мониторинга ситуаций с высокой стоимостью или высоким риском. Также была внедрена наземная система мониторинга загрязнения воздуха со статическими камерами, но с учетом того факта, что для борьбы с большим загрязнением требуется большое количество камер, стоимость и сложность такой системы являются неприемлемыми. Спутниковые системы были предложены для обнаружения и мониторинга загрязнения воздуха, но временное и пространственное разрешение таких систем очень низкое для требований контроля загрязнения воздуха. Пилотируемые самолеты большие и дорогие; их использование сильно зависит от погоды и требует наличия аэродромов. Одним из новых подходов к мониторингу воздушной среды является онлайн-мониторинг на основе БПЛА с использованием методов дистанционного зондирования. Использование данных дистанционного зондирования дает некоторые преимущества: сбор данных зачастую дешевле и быстрее, чем с земли; дистанционное зондирование позволяет собирать данные в более широком спектре, который можно увидеть человеческим глазом; он может охватывать большие территории, в том числе далекие и недоступные; дистанционное зондирование обеспечивает частые обновления. В последние годы был достигнут значительный прогресс в области использования БПЛА для мониторинга, обнаружения и даже борьбы с загрязнением воздуха. БПЛА могут выполнять длительные, однообразные и повторяющиеся миссии вне человеческих возможностей. Однако неопределенность и искажения принимаемых кадров изображения из-за вибраций и турбулентности, а также невозможность 24 непосредственного измерения параметров, необходимых для принятия решений, являются существенными недостатками этого подхода. Борьба с токсичными выбросами в атмосферу воздуха должна начаться как можно раньше и должна быть проведена как можно быстрее, чтобы минимизировать ущерб от пожара. С помощью современных сенсорных технологий можно быстро и точно обнаружить загрязнение воздуха. Для этого БПЛА могут предоставить полный спектр данных из нескольких источников для мониторинга загрязнения, которые имеют форму потоков больших объемов и могут характеризоваться следующими особенностями: 1) объем: данные характеризуются большим объемом; 2) разнообразие: данные дистанционного зондирования являются многоисточниковыми, многократными и многоразрешимыми; 3) скорость: данные генерируются и обрабатываются с высокой скоростью и должны анализироваться в режиме реального времени; 4) непрерывность: данные поступают от датчиков на постоянной основе. Они становятся эффективным инструментом экологического мониторинга благодаря своей способности достигать участков, которые в противном случае были бы недоступны. В настоящее время во всем мире рассматривается возможность использования дронов также для мониторинга промышленных и сельскохозяйственных территорий. Классический мониторинг ландшафтных пожаров зачастую предполагает использование стационарных видеокамер, которые устанавливаются на специальных высотных конструкциях, что позволяет отслеживать возгорания на достаточно раннем этапе. Большое количество видеокамер усложняет обработку информации, которую выполняет оператор системы видеомониторинга пожарной обстановки. Но при этом возрастает масштаб мониторинга территорий за счет возможности увеличения площади, контролируемой оператором. Следовательно, большой поток видеоданных требует значительных ресурсов для его обработки, что вызывает необходимость автоматизации процесса классификации снимков из 25 потока видеоданных с целью сокращения анализируемого информационного потока у операторов. Для улучшения качества обработки сведений, поступающих из окружающей среды, требуется применение методов искусственного интеллекта с целью автоматизации инструмента обработки визуальной информации в системе мониторинга пожарной обстановки. В связи с этим, в настоящее время наиболее актуальной задачей автоматического обнаружения начальной стадии возгорания и распознавания отдельных очагов пожара представляется разработка методов, алгоритмов и моделей анализа изображений из видеопотока данных. В современной истории были попытки создания систем мониторинга видеоданных, которые полностью в автоматическом режиме могли бы отображать динамику обстановки возгораний и распространения опасных факторов пожара [101, 113]. В том числе, российскими учеными была разработана одна из систем под названием FireStation [51, 91, 92, 93], основными задачами которой были сбор, обработка и анализ снимков с мест пожаров без использования человеческого труда. Но полностью реализовать идею автоматизации в существующих системах противопожарного видеомониторинга не удалось [101, 113], в том числе по причине чрезмерного количества параметров (в работе [113] приводится более двадцати), настройка которых требовала участия специалистов. 1.3 Методы анализа изображений для обнаружения пожаров Развитие телевизионных технологий и методов распознавания изображений позволило при применяемых технико-экологических затратах создавать высококачественные телевизионные сигналы обнаружения пожаров на более ранних стадиях и решать задачи высококачественной оценки и прогноза пожарной обстановки. Анализ известных методов обнаружения пожаров показал, что большинство из них основано на применении подходов цветовоспроизведения 26 рассматриваемых изображений и детектирования объектов, совершающих движение. Способ выявления очага возгорания по принципу цветовоспроизведения представляет собой многомерный анализ пространства с использованием математических цветовых моделей, представленных абстрактным набором 3-4 случайных чисел. Рассмотрим основные из них [2, 101]: модель RGB представляет описание цветового воздействия в трехмерной системе координат, отвечающих каждая за свой цвет (синий, зеленый и красный); модель YCbCr является преобразователем информации модели RGB, в которой Cb и Cr приводят изображение в соответствие с исходной освещѐнностью, а Y определяет степень яркости цвета; модель HSI отображает трехмерную систему координат, состоящую из насыщенности, интенсивности и цветового тона; модель HSV предусмотрена в виде трехмерной системы координат, составляющие которой насыщенность, тон и значение. Цветовая модель RGB, представляемая отдельными пикселами, изображающими очаг пламени, подчиняется трем правилам, согласно которым каждый пиксел должен быть насыщеннее минимальной требуемой величины, установленной для отображения очага возгорания [91, 93]. Цветовое пространство модели YCbCr используют посредством системы нечеткого вывода для визуализации очага, применяя конкретный пиксел к соответствующему участку пламени [51, 92]. Применение модели HSI производится с помощью оператора, который задает изображение пламени для еѐ последующей автоматизированной обработки с использованием вычислительной техники [96]. Анализ динамики языков пламени в движении на последовательно зафиксированных снимках показал индивидуальность его цветовых показателей в сравнении с другими аналогичными по цвету объектами [114]. Повышение 27 интенсивности изменения изображений очагов возгорания идентифицирует данные снимки и позволяет с высокой долей уверенности утверждать об истинном характере рассматриваемых кадров. Одним из ключевых признаков пламени является высота, отображающая во временном пространстве динамику перемещения его языков [100]. Краткосрочные трансформации красного канала пикселей RGB-снимков очертаний очага также определяются как одни из характерных особенностей движения пламени, позволяя их применять в последующих вейвлет-преобразованиях [54]. Для определения величины показателей цветовых характеристик при мониторинге очагов возгораний используются структурные, параметрические формы и модели-классификаторы, выражающиеся в индивидуальном выборе инструментов измерения. Поскольку пожар – это неконтролируемый очаг, формы которого многолики и трудно предсказуемы, модель-классификатор требует создания огромного хранилища данных, характеризующих его поведение. Структурное же описание не является в полной мере адекватным вариантом моделирования пожара ввиду того, что структурные формы представления частично подходят для отображения динамических объектов. Величину цветовых показателей пламени возможно описать параметрическими формами отображения, которые наделены динамическими и статическими свойствами. Идентификация снимков пожара может осуществляться с использованием алгоритмов компьютерного зрения и цифрового анализа данных, которые составляют собой совокупность средств обнаружения и мониторинга динамики возгораний. Но при этом возможность использования объективных способов выявления и контроля распространения возгораний непосредственно зависит от компетентности оператора в вопросах физико-химических основ обнаружения и развития пожара [12, 13]. Применение нейросетей в качестве алгоритмов распознавания образов широко известно, в том числе и для решения задач идентификации пожарной обстановки. При этом основой функционирования искусственных нейронных 28 сетей (НС) является необходимость использования большого количества обучающих сведений, которые дают возможность определения набора общих характеристик исследуемого объекта посредством нахождения приемлемых показателей весовых коэффициентов, прогнозирующих итоговый результат, базирующийся на комплексной оценке параметров, заданных на начальном этапе [14]. В настоящее время применение аэрофотоснимков в качестве инструментов объектов обнаружения приобрело особую популярность у специалистов, сфера деятельности которых связана с разработкой алгоритмов компьютерного зрения, ввиду доступности получаемых данных и относительно невысокой стоимости беспилотных устройств. В некоторых исследованиях [102] процесс обнаружения очагов возгораний осуществляется посредством одновременного использования БПЛА на малых и больших высотах. Эта идея имела своей целью применение комплексного подхода, который обеспечил обобщение получаемых данных с больших площадей в мельчайших деталях. В других работах [90, 105, 115] нейросети были задействованы для оценки кадров, получаемых онлайн с помощью БПЛА, с учѐтом мониторинга параметров продуктов горения на основе сравнительного анализа скоростных режимов работы системы обнаружения и качества распознаваемых аэроснимков. Искусственные НС прочно вошли в обиход разработчиков систем поддержки принятия решений, доказав свою эффективность в распознавании образов применением технологий глубокого обучения (свѐрточные нейросети). Данная технология способна выявлять объекты мониторинга с использованием конволюции многослойной структуры сети, при которой ядро свѐртки посредством поэлементного умножения с получаемыми фрагментами снимков, преобразовывает результат путем сложения выходных фрагментов. Особенностью свѐрточных нейронных сетей (СНС) является ограниченное количество параметров, которое может быть установлено при обучении в режиме реального времени. При этом каждый слой формирует определенные значения, необходимые в процессе обучения. 29 В исследованиях, описанных в работах [13, 16, 17], применено несколько иных подходов. Один из них представляет собой механизм выделения некоторого компонента спектра электромагнитного излучения (светофильтр). Другой подход предполагает линейное преобразование функций, называемое вейвлет-анализом, при котором в процессе мониторинга объектов удаѐтся чѐтко выделить из них главное, но при этом не упустить отдельные детали. Данный метод особенно актуален при осуществлении анализа аэроснимков, на которых запечатлен дым [100, 104]. Поэтому несмотря на то, что очертания очага пожара заволакивает дымом, качество получаемых изображений остается сфокусированным и информативным. Второй подход в исследовании данных БПЛА предполагает обнаружение пожара с использованием принципа отслеживания объектов, совершающих движение, посредством обратного просмотра последовательных кадров [2]. Отличительной особенностью указанного метода является то, что полученные аэроснимки очагов пламени могут частично накладываться друг на друга и восприниматься в качестве фонового изображения места очага возгорания, что влечет ошибочное восприятие оперативной пожарной обстановки. В таком случае динамика развития пожара, его опасные факторы не в полной мере могут быть оценены объективно и эффективно проанализированы, вследствие чего может быть нанесен урон окружающей среде и ущерб здоровью людей и животных, проживающих вблизи территории, охваченной огнѐм. Однако данный метод доказал свою состоятельность при мониторинге крупных техногенных и природных пожаров, распространяющихся на высокой скорости. В некоторых исследованиях [57, 69, 97, 08] рассмотрены способы выявления очагов возгорания, базирующиеся на принципе отображения информации, получаемой из аэроснимков на разных этапах развития пожара, что позволяет различать пламя и дым как продукты термического разложения, обнаруженные на различных стадиях. При этом фиксируется снижение предрасчета для работы на определенной местности с использованием цифровых телевизионных камер видимого света, которыми наличие дыма и пламени 30 определяется отдельно. При анализе дыма авторы исходят из того, что он имеет динамическую полупрозрачную структуру, при этом на изображениях пишут динамические текстуры серого цвета. Это обусловлено тем, что на ранних стадиях пожар характеризуется свойствами самоподобия, выражающимися в беспорядочных бликах языков пламени. В качестве математического аппарата используется метод соответствия блоков в видеопоследовательности, являющийся адекватным инструментом оценки движения объектов. Данный метод формулирует связь между определением местоположения очага и исключением возможной ошибки посредством анализа последовательности цифровых кадров, основанного на взятии абсолютной разницы между отдельным пикселем, полученным в начальном блоке, и конкретным пикселем в другом сравниваемом блоке. Итогом является сравнительный анализ сумм абсолютных и относительных различий рассматриваемых блоков. В данном случае система RGB-координат может применяться в качестве механизма установления мест возможного нахождения динамических структур серого цвета и представляться следующим выражением [69]: , B G R B b , B G R G g , B G R R r где r+g+b=1. При этом элементы системы координат не теряют своей системной целостности, а динамическое движение полупрозрачных структур поддается идентификации. Аналогичным образом можно осуществлять мониторинг, используя иные модели, кодирующие цветовые оттенки получаемых изображений. Для расчета нелинейных фрактальных волн применима формула, полученная опытным путѐм [69]: 31 , 2 Pr t A t t где граница дымового контура выражается переменной Pr(t), а площадь дыма в пространственной системе координат – переменной A(t). Динамические характеристики продуктов горения, распространяемых в атмосфере, представляют собой ключевую сферу анализа пожарной и экологической обстановки, так как именно они выполняют роль индикаторов очагов пожара [102, 111]. При выявлении языков пламени природных пожаров следует руководствоваться отдельными пространственными моделями, отображающими красный цвет огня с учетом его цветотональных особенностей. Для идентификации тоновых оттенков пламени можно пользоваться набором следующих математических формул: , 3 1 B G R I , , , min 3 1 B G R B G R S , 360 0 G B если G B если H , 5 , 0 cos 2 1 B G B R G R B R G R где синий, красный и зеленый цвета выражаются переменными B, R и G, а переменные I, H и S выражают свойства интенсивности, тональности и степень выраженности определенного цвета соответственно. «Двигательные» характеристики пламени имеют меньшую динамику по сравнению с дымом, что говорит о нецелесообразности применения математического аппарата соответствия блоков в целях мониторинга 32 распространения огня. Учитывая вышеизложенное, наиболее оптимальным вариантом обнаружения пламени следует рассматривать метод оценки оптического потока, что подтверждено научными исследованиями в работах [103, 106]. Известно, что существующие средства обнаружения пожаров, созданные на базе IP-видеокамер, не могут в полной мере считаться эффективными ввиду сложности воспроизведения изображений в темное время суток или при очень ярком освещении. Частично эту проблему снимает использование алгоритмов теории цветовой константности зрения (ретинекса), согласно которым учитывается вариативность цветового ощущения при одновременной вариативности окружающего фона. В данном случае входная информация, представленная красным, зеленым и синим цветовыми изображениями, интегрируется в значения всех пикселей на снимках и позволяет произвести оценку их отражения в каждой точке. Используя алгоритмы SSR и MSR, можно добиться воспроизведения кадров однотонного формата, отображая таким образом снимки в хорошем качестве даже при слабом или наоборот слишком ярком освещении. В целом выравнивание освещенности можно представить следующим тождеством [69]: , y , x I , y , x F log y , x I log , y , x R i i i где i-й набор изображений в оттенках серого, представляющих с учетом коэффициента масштабирования ϭ спектр тональных значений в системе координат переменных x и y, выраженных в свертке * с гауссовой функцией входной функции цветовых снимков I i (x, y ). При этом гауссову функцию F(x, y, ϭ) можно определить так [69]: 2 2 2 , , y x Ke y x F , 33 где коэффициент К должен быть реализован в соответствии с представленным ниже уравнением [69]: y x dxdy y x F , 1 , , , в котором совокупность элементов растрового изображения выражается множеством Ω x ,y В таком случае весовая функция многомерной системы i-го набора изображений в оттенках серого , , , w y x R i M может быть выражена в виде арифметической совокупности выходных функций, рассматриваемых в трех цветовых каналах [69]: 1 , , , , , n n i n M y x R w w y x R i , где w=(w 1 ,w 2 ,…,w N ) – весовой вектор одномерных выходных функций i-го цветового канала R i (x,y, ); =( 1 , 2 ,…, N ) – вектор масштабов одномерных выходных функций, n=1, 2, …, N [69]. Применение алгоритмов цветопостоянства повышает качество, но не полностью исключает возможность цветовых искажений кадров по причине того, что микроучастки растровых изображений подвержены процедуре «усреднения» значений, принимая цветовую гамму тех пикселов, которые расположены рядом. Поэтому требуется последующая корректировка в соответствии с математическим выражением [69]: b y x I w y x R b w y x R i M M i i , , , , , , , , , ' ' , 34 согласно которому выравненная яркость снимка I i (x, y, b) с учетом усредненного коэффициента с (в интервале 100-125) может быть определена следующим уравнением: , , , 1 log , , 3 1 ' i i i i y x I y x I c b y x I где c – коэффициент, выбираемый из середины диапазона значений [0…255], c=100 125, согласно которому отдельно происходит установление очага возгорания и отдельно – распространение дыма [69]. Наиболее подходящими подходами, используемыми для распознавания огня и дыма, следует считать методы регрессионного анализа, марковских цепей и машинного обучения на основе нейросетей [51]. О методах распознавания развития пожарной обстановки опубликовано значительное количество отечественных и зарубежных работ. В данной работе остановимся поподробнее на одном из перспективных подходов, основывающихся на исследовании клеточных автоматов [2, 57, 59, 60, 67]. Мониторинг пожара внутри зданий и сооружений представляет собой процесс, не менее сложный с технической и организационной точек зрения, нежели аэромониторинг. При этом для облегчения визуального анализа оперативной пожарной обстановки на объектах защиты применяются подходы, предусматривающие их разделение на определенные секторы и зоны контроля. На данных участках в дистанционной форме осуществляется постоянная оценка изменений параметров и динамики опасных факторов. Наблюдение происходит одновременно за несколькими параметрами, что позволяет прогнозировать и своевременно реагировать на возникающие угрозы и потенциальные риски вторичных проявлений опасных факторов пожара. Одним из наиболее 35 подходящих математических инструментов и теоретической базой указанных разработок, которые следует отметить, является теория клеточных автоматов, на основе которой выстроена система дифференциальных уравнений, отображающая взаимосвязь зон контроля и параметров внутриобъектового мониторинга пожарной обстановки. Далее приведены формулы, формулирующие взаимодействие элементов системы мониторинга пожара р на начальных и смежных участках контроля соответственно: ; exp 1 0 0 0 0 Z p p p p (1.1) , exp 1 ,..., 1 ; ,..., 1 ; ,..., 1 ; 0 s i j i j s i j i s i i j i j j n Z n p n p p p (1.2) где параметром пожарного мониторинга выступает величина p(τ); его первичным значением – p 0 , а критическим – величина p*; коэффициентом взаимодействия между участками контроля i и j выступает переменная n i;j ; число зон контроля определяется величиной s, а показатель интенсивности изменений показателей опасности в зоне j выражен величиной Z j Определить коэффициент n возможно следующим уравнением: k j j n n ,... , 2 , 1 1 (1.3) где коэффициентом взаимодействия n для клеток окрестности, в k-том количестве присутствующих в клеточном автомате, выступает величина n j . Структурные 36 особенности и размер клеток автомата устанавливают граничные значения величины коэффициента n [59]. Моделирование динамики физико-химических параметров развития очагов возгорания по температурному T фактору формулируется следующим выражением: , , , 1 , 0 0 0 T T p p p (1.4) а моделирование изменений параметров развития пожара по потере видимости Ω можно описать последовательностью вида: , , , 0 , 0 0 0 p p p (1.5) где изменения показателей видимости характеризуются функцией ξ; изменения температурных показателей функцией β; исходное значение температуры дыма, измеряемое в Кельвинах, выражается величиной T 0 ; исходное значение видимости в дыму, измеряемое в метрах, выражается величиной Ω 0 Внутриобъектовый пожарный мониторинг предусматривает не только рассмотрение характерных признаков структуры клеточного автомата, но и цифровой анализ изменений параметров развития очага посредством интеллектуальных систем поддержки. Анализ структуры автоматов на начальном этапе предполагает выбор участков контроля и параметров динамики и мониторинга возгораний посредством описания их показателей набором дифференциальных уравнений. Последующая цифровая обработка заключается в использовании зависимостей, отображающих взаимосвязь изменений критических величин, характеризующихся термометрическими и визуальными значениями, и применением функций, отображающих временную оценку мониторинга пожара следующей последовательностью [59]: |