Система мониторинга пожарной и медико экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов
 Скачать 2.07 Mb.
|
|
3 .3 Выводы третьего раздела 1. Разработана концептуальная модель автоматизированной системы мониторинга пожарной и медико-экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов, отличающаяся наличием информационной подсистемы, подсистемы анализа и классификации данных , подсистемы прогнозирования и подсистемы управления, позволяющая оперативно классифицировать и прогнозировать пожарную и медико- экологическую обстановку в мониторируемой АТЕ. 2. Разработан метода оптимизации функционирования модуля воздушного наблюдения, включающий алгоритм планирования траектории мониторинга пожарной обстановки БПЛА, позволяющий определить необходимый ресурс БПЛА для мониторинга пожарной обстановки в АТЕ, и алгоритм оптимизации числа БПЛА в зоне мониторинга АТЕ, позволяющий минимизировать стоимость группировки БПЛА, осуществляющей мониторинг. 108 3. Предложена структура подсистемы прогнозирования медицинских и экологических рисков в пожароопасной зоне, отличающаяся использованием робототехнической системы в виде мобильной приборной платформы для мониторинга и анализа состава атмосферы в зоне пожара, позволяющая повысить точность и оперативность определения координат источников экологических и медицинских рисков. 4. Разработан метод сегментации видеоданных, заключающийся в сегментации кадра видеоданных на прямоугольные сегменты, селекцию сегментов на ROI и НЕ ROI с последующим формированием из сегментов трех цветовых каналов, отличающийся тем, что решение о принадлежности сегмента к конкретному классу принимается независимо в каждом канале НС с линейной функцией активации с последующей агрегацией этих решений многослойным персептроном с нелинейной функцией активации, позволяющий повысить оперативность анализа данных в видеопотоке. 5. Апробация системы показала ее высокую помехоустойчивость к погодным аномалиям. Маршруты патрулирования дронов согласуются с метеосводками и дроны направляются в «красные зоны». Это районы, в которых температура воздуха, направление и сила ветра, влажность и атмосферное давление повышают вероятность возникновения пожаров. С дрона поток видеоданных направляется в систему для их анализа. Система определяет на снимках области, в которых высоки вероятности огня и дыма. Красная рамка или подсветка на аэроснимке с дрона определяет границы возгорания с высокой вероятностью. Решение, есть ли на самом деле в этой координате огонь или дым, принимается ЛПР по результатам анализа потока видеоданных, обработанных системой. 109 4 Программно-техническое обеспечение мониторинга пожарной и медико- экологической безопасности и результаты исследования 4.1 Мобильная система мониторинга, раннего обнаружения и оценки пожарной опасности Учитывая достоинства и недостатки систем мониторинга с газоанализаторами, оптических и многозональных систем контроля, в данной работе рассматривается вариант совмещения датчиков и камер, контролирующих разнородную информацию в зоне интереса пользователя (контроль за пожаром и экологической обстановкой в зоне пожара) с целью повышения эффективности существующих систем обнаружения пожаров как на открытой местности, так и в закрытых помещениях. При этом многофункциональная регистрирующая аппаратура, в зависимости от целей и решаемых задач, может устанавливаться на неподвижных платформах, на летающих и подвижных наземных платформах. Предлагаемая многофункциональная мониторинговая система ориентирована на решение нескольких основных задач: - сбор разнородной информации об объектах наблюдения, еѐ предварительная обработка для принятия первичных оперативных решений и передача для дальнейшей обработки; - оценка экологической обстановки и прогноз еѐ развития; - оценка риска для здоровья людей, находящихся в зоне развития пожара; - решение навигационных задач, связанных с определением координат пожара и подвижной платформы с датчиками, определением и управлением траекторией движения по заданным условиям, определением направления и площадей распространения огня и продуктов горения и т. д. Анализ перечисленных задач показывает, что часть из них решается известными и хорошо отработанными методами, а часть носит сложный 110 системный характер, для решения которых требуется использование современных информационных и интеллектуальных технологий. Конструктивно, в наиболее распространенных и в предлагаемой системах, датчики, видеокамеры и другая контролирующая аппаратура с блоками предварительной обработки данных размещаются на подвижных и (или) неподвижных платформах в непосредственной близости от контролируемых территорий. Задачи более высокого порядка, включая интеллектуальные системы принятия решений и управления, решаются с использованием удаленных достаточно мощных средств вычислительной техники, часто определяемых как автоматизированные рабочие места (АРМ) операторов. Часть задач по оценке пожарной и экологической обстановки и возможной опасности для людей, находящихся в зоне ЧС, может решаться с использованием современных смартфонов и планшетных компьютеров при установке на них специального программного обеспечения. Для организации съема информации с датчиков задымления и вредных веществ, выделяемых в процессе горения (СО, СО 2 , фенолы, формальдегиды), а также для контроля температуры, современная промышленность выпускает специализированные микрочипы (аналоговые интерфейсы типа AFE), которые кроме регистрации информации с датчиков решают задачи усиления, масштабирования, аналоговой и цифровой фильтрации, формирования стандартных протоколов для подключения к микроконтроллерам, контроля работоспособности и калибровки датчиков и др. Микрочипы этого класса имеют малые габариты, вес и потребляемую мощность [29, 30]. Такие особенности позволяют совмещать их вместе с датчиками на маломощных БПЛА и на борту микророботов. Специально для анализаторов химического состава, включая содержание газов окружающей среды (СО, СО 2 и др.), фирма Texas Instruments разработала микросхемы LMP901XX/LMP91XX. Решая задачи масштабирования, калибровки и формирования опорных напряжений, эти микрочипы позволяют повысить 111 точность измерений при использовании различных типов датчиков. При этом следует иметь в виду, что аналоговые выходы этого семейства датчиков требуют наличия микроконтроллеров, решающих задачи подготовки данных для передачи на дальнейшую обработку. Кроме того, отсутствие качественных фильтров в этом классе AFE перекладывает задачу улучшения соотношения сигнал/шум на другие технические средства. Учитывая, что разрабатываемые технические средства должны работать с различными типами датчиков, в качестве универсального интерфейса выбран прецизионный и энергоэффективный чип типа ADuCM350. Основное назначение этого чипа – объединение различных устройств, следящих за состоянием окружающей среды. К ADuMC350 можно подключить множество пассивных датчиков через матрицу аналоговых коммутаторов. Через эту же матрицу, при необходимости, для обеспечения нормальной работы некоторых типов датчиков подаются напряжения, формируемые внутренним программно управляемым генератором. Улучшение соотношения сигнал/шум обеспечивается программируемыми цифровыми фильтрами. Управление работой аналогово-цифровой части осуществляет контроллер AFE. В качестве центрального управляющего устройства используется процессор ARM Cortex- M3 с частотой работы 16 МГц. В состав микропроцессорной части входят: интерфейс USB; контроллер ЖК-дисплея с параллельным и последовательными интерфейсами; контроллер сегментного ЖК-дисплея; блок памяти. Блок памяти состоит из Flash (384 кбайт), EEPROM (16 кбайт, электрически перепрограммируемое ПЗУ, SRAM (32 кбайт, статическое ОЗУ). С внешним цифровым «миром» ADuCM350 соединяется с помощью периферийного интерфейса, который аппаратно поддерживает последовательные интерфейсы UART, SPI, I 2 C, I 2 S, GPIO. С помощью интерфейса GPIO пользователь может создавать как свои протоколы обмена, так и стандартные интерфейсы типа дополнительных SPI, I 2 C и т.д. [29, 30, 31]. 112 Микросхема ADuCM350 обеспечивает широкие возможности управления питанием и может работать от одноэлементной дисковой батарейки. Расширение возможностей ADuCM350 решается еѐ подключением к другим AFE. Состав и структура технических средств, реализующихся на платформе наблюдения за пожарами и экологической обстановкой, определяются техническими возможностями носителя и решаемыми задачами. Например, в работах [15, 64, 88] приводится вариант простейшего устройства обнаружения возгораний на основе датчика СО, расположенного на борту летательного аппарата, выполненного по схеме «машущего крыла» с возможностью длительного планирования. Такая конструкция при подлете к месту наблюдения не создает турбулентности, что позволяет достаточно точно контролировать анализируемый состав газов. В работах [14, 62, 86] описан вариант подвижных и неподвижных платформ, состоящих из трех типов видеокамер, работающих в ультрафиолетовом, видимом и инфракрасном диапазонах изображений контролируемой местности. На рисунке 4.1 приведен вариант структуры малогабаритной энергоэффективной платформы для различных типов БПЛА (машущее крыло, роторные конструкции, аэростат, воздушный шар и др.) и наземных микророботов. В этом варианте учитываются современные тенденции в обнаружении пожаров, которые основаны на использовании многоспректральных датчиков, регистрирующих ультрафиолетовое, видимое и инфракрасное излучение. Современные датчики этого типа имеют малые габариты и вес, что позволяет их использовать в составе малогабаритных платформ. В схеме, приведенной на рисунке 4.1, выбраны ультрафиолетовый (УФДП), инфракрасный (ИКДП) датчики пожаров с аналоговыми выходами, которые подключены к микроконтроллеру (МК) типа STM32F через его многоканальный аналогово-цифровой преобразователь (входы А). Этот тип микроконтроллера отличается своей экономичностью и многофункциональностью. 113 Рисунок 4.1 – Структура электронной части мобильной платформы Для фиксации излучения от возможного пожара в видимом спектре используется широкополосный фотоприемник (ШФП). Контроль температуры окружающей платформу среды осуществляется инфракрасным датчиком (ИДТ) с аналоговым выходом. Датчики газов CO и CO 2 подключаются к микроконтроллеру через AFE типа LMP910X. Для обнаружения препятствий и их обхода программным путем к одному из аналоговых входов микроконтроллера подключен датчик расстояния (ДР). Управление движением платформы осуществляется микроконтроллером через порт P, подключенный к контроллеру управления движением (КУД). Для запоминания параметров очага возгорания, включая концентрацию вредных веществ, к интерфейсу SDIO подключается твердотельная память SD. Стабилизация траектории БПЛА осуществляется посредством датчиков движения, выполненных по технологии МЭМС, а также при помощи спутниковых навигационных систем. При отсутствии спутниковой связи в условиях ЧС используются радиометки типа RFT, которые устанавливаются в реперных точках и на объектах повышенной опасности. Ближняя радиосвязь SD КУД Bluetooth SIM968 GSM/GPS SDIO P UART SPI STM32F SPI A УФДП ИКДП ШФП ИДТ ДР LMP910X LMP910X МЭМС ДСО ДСО 2 114 обеспечивается радиомодулем Bluetooth, дальняя спутниковая связь – радиомодулем SIM968. Если БПЛА вышел из режима программируемого полета и вошел в режим автономного полета в направлении максимальной концентрации контролируемого вещества, то в этом случае предусмотрен механизм облета препятствий и областей с температурой, способной вывести из строя бортовое оборудование. Для планирования траектории использован алгоритм управления, основанный на симплекс-методе и методе Кифера-Вольфовица . Движение в пространстве к точке с максимальной концентрацией вещества начинается с двумерного симплекса, а по мере приближения к локальной точке поиск производится на основе планирования отрезков прямой с фиксацией одной из координат по процедуре, основанной на методе Кифера-Вольфовица [80]. Если платформа располагается на летательных аппаратах роторного типа, возникает проблема турбулентности, мешающая контролю концентрации газов в зоне наблюдения. В результате газовые датчики (CO, CO 2 и др.) будут регистрировать неверную информацию. Одним из способов уменьшения погрешности этого типа является размещение газовых датчиков на дополнительной платформе, спускаемой к месту контроля, где турбулентность от винтов перестает влиять на процесс измерения. Энерговооруженность современных мультироторных платформ вполне способна нести на своем борту дополнительное оборудование в виде управляемой микролебедки. Для повышения качества обработки данных, снимаемых с разнородных датчиков, с последующим принятием решений целесообразно ставить многофункциональный AFE, решающий задачи подавления помех, калибровки, контроля работоспособности датчиков и подготовки данных для передачи в МК. При наличии технической возможности на платформе желательно разместить видеокамеру, работающую в видимом спектре электромагнитных излучений. При этом обнаружение пожара и движение в направлении его распространения целесообразно осуществлять с помощью датчиков, наиболее чувствительных к типу возгорания, а включение и необходимую ориентацию 115 видеокамеры осуществлять на расстоянии оптимальном для передачи «картинки» пожара на автоматизированные рабочие места операторов. На рисунке 4.2 приведена структура платформы с многофункциональным прецизионным AFE (MAFE) типа ADuMC350. С целью упрощения на ней не показана система навигации и управления движением платформы. Рисунок 4.2 – Структурная схема платформы с многофункциональными AFE В схеме, приведенной на рисунке 4.2, блок датчиков химического состава среды (БДХСС), блок датчиков электромагнитного излучения (БДЭМИ) (ультрафиолетовый, видимый и инфракрасный спектр) и ИДТ, подключаются к MAFE через многофункциональный аналоговый коммутатор (МАК). Коммутатор этого типа подключает выходы датчиков ко входному инструментальному усилителю AFE и далее к схемам фильтрации и преобразования, включая формирование информации о состоянии окружающей среды в виде стандартного протокола типа SPI. При необходимости этот же коммутатор подает на элементы датчиков питающие и эталонные напряжения и организует режим их калибровки и проверки качества и правильности их подключения к схеме. К микроконтроллеру MAFE обычно подключается через интерфейс типа SPI, хотя МК МAК SPI MAFE БДХСС БДЭМИ ИДТ 116 нет ограничений на соединение и по другим портам, имеющимся в составе ADuMC350. Анализ спектрального состава пламени от различных источников показывает, что оно может содержать ультрафиолетовый участок (0,1, …, 0,4 мкм), участок видимого света (0,4, … , 0,75 мкм), ближний инфракрасный (0,75, …, 1,5 мкм), средний инфракрасный (1,5, …, 5,6 мкм), дальний инфракрасный (5,6, …, 100 мкм). С учетом того, что каждый очаг горения имеет свою индивидуальную спектральную характеристику, многоспектральный (многодиапазонный) анализ пламени потенциально может быть использован для распознавания типов и характера пламени. При этом следует иметь в виду, что основная мощность электромагнитного излучения сосредоточена в ИК-диапазоне и в этом же диапазоне сосредоточена основная доля помех, например, от солнца. С другой стороны, проводимые эксперименты показывают, что совместный анализ источника пламени в различных частотных диапазонах позволяет «отстроиться» от подавляющего большинства помех. Значительную долю информации о возникновении и развитии пожаров несет изменение химического состава воздушной среды, вызванное воздействием пожара. Исследования показывают, что задолго до возникновения открытого пламени в зоне возникновения пожара возникает угарный газ (CO). Это основной компонент для определения тлеющих очагов возгораний. Углекислый газ (CO 2 ) начинает активно выделяться в начале перехода к открытому пламени. Целый класс пожаров выделяет летучие ароматические углероды и т. п. Высокой информативностью по отношению к обнаружению пожаров обладают также температура и специфические задымления. Таким образом, существуют комбинации значений различных параметров ЭМП, химических веществ в сочетании с температурой, которые в той или иной степени характеризуют стадии и тип возгорания. Все эти параметры оцениваются в количественных шкалах, которые могут быть использованы в задачах классификации, как информативные признаки пожарной обстановки, так и в 117 задачах прогнозирования и оценки состояния людей, находящихся в зоне действия пожара. Приведенный разведочный анализ в сопоставлении с общепринятой классификацией пожаров показал, что границы между исследуемыми классами носят нечеткий характер и требуют своего уточнения для формирования более адекватных и «тонких» управленческих решений. В предложенном варианте для синтеза классификационных решающих правил моделируется искомая пожарная обстановка, по которой осуществляется обучение по критериям минимума ошибки классификации с одновременной минимизацией пространства информативных признаков, определяющих качество и количество используемых датчиков. Хорошие результаты достигаются в том случае, если в ходе обучения формируется база данных эталонных пожаров, и классификация осуществляется по совпадению реальной обстановки с эталоном. Особенно эффективной эта схема классификации является при использовании видеоизображений пожаров с использованием камер высокого разрешения. В качестве примера решалась задача классификации тлеющего источника (горящая вата) и скрытого от датчика экраном открытого огня от березовых дров. В ходе обучения было показано, что исследование датчиков CO, CO 2 и температуры для расстояния 15 метров с использованием гибридной нечѐткой модели обеспечивает ошибку классификации в 4%. Процесс синтеза гибридных нечетких решающих правил для прогнозирования и оценки состояния здоровья описан в разделе 2.3. Для оценки эффективности предлагаемого класса МПП была организована экспертная оценка ближайших аналогов взаимодействующих с диспетчерскими пунктами, оборудованными автоматизированными рабочими местами. В качестве аналогов рассматривался летающий робот с машущим крылом (ЛРМК) [52], система обработки и анализа спектрозональных изображений (СОАСЗИ) [62], летающая платформа с двухзональным распознавателем пожаров (ЛПДРП) [86]. 118 Для сравнения этих вариантов технических решений группа высококвалифицированных экспертов в области пожарной безопасности в составе 7 человек с коэффициентом конкордации на уровне 0,83 составила согласованный по методу «Дельфи» список сравнительных показаний качества, каждый из которых для сравниваемых систем оценивался по 10 бальной шкале. Усредненные экспертные оценки (средний балл) по анализируемым техническим решениям приведены в таблице 4.1. Таблица 4.1 – Экспертные оценки вариантов пожарных платформ по выбранным показателям качества № п/п Показатель качества Пожарная платформа ЛРМК СОАСЗИ ЛПДРП МПП 1 2 3 4 5 6 Х1 Количество показателей характеризующих пожарную обстановку (электромагнитные поля, химический состав, температура) 1 6 3 9 Х2 Возможность установки на различных типах платформ 5 7 7 8 Х3 Решение задач классификации пожаров по общепринятым стандартам 6 9 7 9 Х4 Возможность обучения на классификацию нестандартных пожарных ситуаций 2 8 6 9 Х5 Прогноз развития пожарной ситуации 3 7 6 8 Х6 Возможность работы в труднодоступных местах 9 8 5 8 119 Продолжение таблицы 4.1 1 2 3 4 5 6 Х7 Прогноз и оценка состояния здоровья в зоне пожара 3 0 0 8 Х8 Вероятность ложного обнаружения пожара 5 7 5 8 Х9 Вероятность правильного обнаружения пожара 6 7 5 8 Х10 Соотношение цена/качество 6 7 5 8 На рисунке 4.3 приведена диаграмма сопоставления показателей качества (циклограмма) для анализируемых платформ в баллах. ЛРМК СОАСЗИ ЛПДЛП МПП Рисунок 4.3 – Циклограмма показателей качества исследуемых платформ Х1 Х2 Х3 Х4 Х5 Х6 Х7 Х8 Х9 Х10 10 9 8 7 6 5 4 3 2 120 Анализ рисунка 4.3 свидетельствует о том, что по значительному числу показателей предлагаемый вариант платформы превосходит анализируемые аналоги. В качестве интегрального показателя качества сравниваемых платформ использовался аддитивный критерий вида Y j = 10 1 max ij i B B , (4.1) где B ij - средняя балльная оценка i- го показателя качества для j-ой платформы; j =1,2,3,4. В ходе расчета получены следующие усредненные значения показателей качестваY ЛРМК =0,45; Y СОАСЗИ =0,66; Y ЛПДЛП =0,49; Y МПП =0,84. Таким образом, предложенный вариант пожарной платформы по отобранным экспертами показателям качества превосходит все анализируемые аналоги, включая показатель «цена – качество». |