ИССЛЕДОВАНИЕ ВЛИЯНИЯ СЛОЖНЫХ УСЛОВИЙ ПОЖАРНОЙ ОБСТАНОВКИ НА КАЧЕСТВО НАБЛЮДЕНИЯ И БЕЗОПАСНОСТЬ ПОЛЁТА БЛА

  • М. И. Мокрова Московский авиационный институт
Ключевые слова: Беспилотные летательный аппарат, БЛА, высота, безопасность, контрастность, мониторинг, обработка изображений, поиск объектов, потери, критерий оптимальности

Аннотация

Авиационный мониторинг пожаров с помощью беспилотных летательных аппаратов
(БЛА), в частности, лесных, в процессе которого производится поиск различных объектов
интереса: людей, автомобилей и пр., является одним из наиболее эффективных мероприя-
тий по снижению уровня возможных потерь. В представленной работе рассматриваются
подходы к формированию алгоритмов обработки и улучшения изображений, получаемых в
процессе выполнения мониторинга пожарной обстановки, основанные на использовании
нейросетей, а также алгоритмов фильтрации изображений, с целью поиска различныхобъектов интереса. Мониторинг пожаров с помощью беспилотного летательного аппа-
рата представляет собой двухкритериальную задачу: существует необходимость макси-
мально обезопасить аппарат от теплового воздействия пожара, а также максимально
улучшить наблюдаемость, что может быть достигнуто за счёт снижения высоты полё-
та. В настоящей работе представлены разработанные авторами эмпирические модели
безопасности полета беспилотного летательного аппарата и наблюдаемости объектов
интереса в процессе мониторинга пожарной обстановки. Предлагаемые модели позволяют
учитывать особенности условий мониторинга, такие как приоритетность обнаружения
объекта интереса к безопасности самого разведывательного аппарата, влажность возду-
ха, рельеф и вид местности, время суток и прочее. Рассмотрен пример применения модели
контрастности на примере поиска и обнаружения метки «буква». На основе проведенного
эксперимента по распознаванию метки в дыму, осуществлен анализ предлагаемых моделей,
приведены количественные результаты. В работе описаны критерии оптимальности вы-
бора высоты полёты аппарата над наблюдаемой сценой, которые формируются на основе
базы экспертных оценок, а также предложенных моделей наблюдаемости и безопасности
полёта БЛА. В зависимости от целевой задачи поиска возможна вариативность критерия
оптимальности выбора высоты полёта БЛА над наблюдаемой сценой.

Литература

1. Dilshad N., Hwang J., Song J., Sung N. Applications and Challenges in Video Surveillance via
Drone: A Brief Survey, 11th International Conference on Information and Communication
Technology Convergence, South Korea, 2020, pp. 728-732.
2. Sudhakar S., Vijayakumar V., Sathiya Kumar C., Priya V., Ravi L., Subramaniyaswamy V.
Unmanned Aerial Vehicle (UAV) based Forest Fire Detection and monitoring for reducing
false alarms in forest-fires,Computer Communications, 2020, Vol. 149, pp. 1-16.
3. Khan A., Gupta S., Gupta S.K. Multi-hazard disaster studies: Monitoring, detection, recovery,
and management, based on emerging technologies and optimal techniques, International Journal
of Disaster Risk Reduction, 2020, Vol. 47, art. no. 101642.
4. Kim N.V., Mikhailov N.A., Mokrova M.I. Drone Searches in Challenging Conditions, Russian
Engineering Research, 2020, Vol. 40, No. 7, pp. 583-585. ISSN 1068-798X.
5. Zhai Q., Ye Z.-S. How reliable should military UAVs be?, IISE Transactions. Taylor and
Francis Ltd., 2020, Vol. 52 (11), pp. 1234-1245.
6. Zhou Z., Wang X., Li C., Zeng M., Li Z. Adaptive deep feature aggregation using Fourier transform
and low-pass filtering for robust object retrieval, Journal of Visual Communication and
Image Representation, 2020.
7. Martin Hahner, Dengxin Dai, Christos Sakaridis, Jan-Nico Zaech, Luc Van Gool. Semantic
Understanding of Foggy Scenes with Purely Synthetic Data, arXiv, 2020. Available at:
https://arxiv.org/abs/1910.03997.
8. Magnus Wrenninge, Jonas Unger. Synscapes: A Photorealistic Synthetic Dataset for Street
Scene Parsing, arXiv, 2018. Available at: https://arxiv.org/abs/1810.08705.
9. Evdokimenkov Veniamin N., Kim Nikolay V., Kozorez Dmitriy A., Mokrova Mariya I. Control
of unmanned aerial vehicles during fire situation monitoring, INCAS Bulletin, 2019, Vol. 11,
Special Issue, pp. 66-73. Doi: 10.13111/2066-8201.
10. Sarmanaev S.Kh., Basharin V.A., Tolkach P.G., Shcherbashov K.A. Toksiko-khimicheskie
povrezhdeniya pri pozhare [Toxico-chemical damage in a fire], Biomeditsinskiy zhurnal "Medline.
ru" [Biomedical Journal "Medline.ru"], Vol. 16. Toksikologiya. 26 March 2015.
11. Nekrasov O.N. Prognozirovanie pozharnoy obstanovki i skorosti rasprostraneniya lesnogo pozhara s
uchetom rel'efa mestnosti, pogodnykh usloviy i meropriyatiy dlya pozharnykh [Forecasting of the
fire situation and the speed of forest fire propagation taking into account the terrain, weather conditions
and measures for firefighters], Nauchno-obrazovatel'nye problemy grazhdanskoy zashchity
[Scientific and educational problems of civil protection], 2014, No. 3.
12. Kudrin A.Yu., Podrezov Yu.V. Analiz sovremennykh sredstv i metodov bor'by s prirodnymi
pozharami [Analysis of modern means and methods of fighting natural fires], Tekhnologii
grazhdanskoy bezopasnosti [Technologies of civil security], 2006, No. 4.
13. Georgiev G.D., Hristov G., Zahariev P., Kinaneva D. Forest Monitoring System for Early Fire
Detection Based on Convolutional Neural Network and UAV imagery, 28th National Conference
with International Participation, TELECOM 2020 – Proceedings, 2020, pp. 57-60.
14. Lee I.K., Trinder J.C., Sowmya A. Application of u-net convolutional neural network to bushfire
monitoring in Australia with sentinel-1/-2 data, International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences – ISPRS Archives, 2020, pp. 573-578.
15. Adão T., Pinho T.M., Pádua L. et al. Using virtual scenarios to produce machine learnable
environments for wildfire detection and segmentation, International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences – ISPRS Archives, Vol. 42, Issue
3/W8, 20 August 2019, pp. 9-15.
16. Shobeiry P., Xin M., Hu X., Chao H. Uav path planning for wildfire tracking using partially
observable Мarkov decision process, AIAA Scitech 2021 Forum, pp. 1-18.
17. Sousa M.J., Moutinho A., Almeida M. Thermal infrared sensing for near real-time data-driven fire
detection and monitoring systems, 2020 Sensors, Switzerland, Vol. 20 (23), 6803, pp. 1-29.
18. Gorelik A.L., Skripkin V.A. Recognition methods. Moscow: Nauka. 2004.
19. Merino L., Caballero F., De Dios J.R.M., Maza I., Ollero A. An unmanned aircraft system for
automatic forest fire monitoring and measure-ment, Journal of Intelligent and Robotic Systems,
2012, Vol. 65 (1), pp. 533-548.
20. Rodin C.D., De Lima L.N., De Alcantara Andrade F.A., Haddad D.B., Johansen T.A., Storvold R.
Object Classification in Thermal Images us-ing Convolutional Neural Networks for Search and
Rescue Missions with Un-manned Aerial Systems, Proceedings of the International Joint Conference
on Neural Networks, 2018-July,8489465.
Опубликован
2021-04-04
Выпуск
Раздел
РАЗДЕЛ I. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ РОБОТОТЕХНИЧЕСКИХ КОМПЛЕКСОВ