Применение мобильной робототехники при тушении пожаров

В статье рассмотрены методы геоинформационного моделирования тушения пожаров, методы дистанционного зондирования, а также оптические и оптико-электронные методы проработки и повышения информативности космических снимков. Проведенный анализ основных способов обнаружения лесных пожаров позволил определить, что ни один из методов не универсален и не в состоянии полностью решить задачу противопожарной защиты лесов. Определено, что одним из путей улучшения эффективности функционирования информационной системы раннего обнаружения очагов лесных пожаров является вовлечение в мониторинг лесных пожаров БПЛА обычных пользователей.

В основе технологии защиты лесов от пожаров лежат средства предотвращения и раннего выявления лесных пожаров. Эффективность их деятельности — залог быстрого реагирования аварийных бригад и недопущение перерастания эпицентра лесного пожара в широкомасштабную экологическую катастрофу. Несмотря на арсенал современных средств противопожарного мониторинга и противопожарной охраны леса, из-за отсутствия возможности своевременного оперативного обнаружения и обезвреживания, лесные пожары из незначительных очагов перерастают в экологические катастрофы. Поэтому вопрос противопожарной защиты лесов сегодня остается открытым и нуждается в детальном изучении, а современные информационные технологии, не обеспечивающие в полной мере решения вопроса надежного раннего выявления очагов лесных пожаров, подлежат усовершенствованию.

Целью данной статьи является исследование технологии пожаротушения с применением мобильной робототехники.

Применение мобильной робототехники при тушении пожаров рассмотрим на примере противопожарной защиты лесов.

Для выявления и тушения лесных пожаров в мировой практике привлекаются огромные ресурсы, используются самые современные технологии — от спутникового мониторинга до самых современных систем видеонаблюдения с элементами компьютерного зрения, разработанными передовыми учеными мира. Так, ряд способов раннего обнаружения лесных пожаров были реализованы с внедрением современных геоинформационных систем. Это, в частности, методы на основе подхода «глобального мониторинга», предложенного E.Chuvieco, использующими системы дистанционного зондирования Земли, методы мультиспектрального анализа спутниковых снимков, а также методы акустического и радиоакустического зондирования, позволяющие осуществлять дистанционные измерения температуры и тепловое зондирование. участки леса, описанные в исследовании [1].

Методам геоинформационного моделирования посвящены монографии ученого В. Н. Каразина С. В. Кострикова [2], а также исследования Путренко В. В. [3].

На основе данных дистанционного зондирования на Земле создаются специальные веб-ресурсы. Среди них — сайт Web Fire Mapper, где можно наблюдать зафиксированные на карте пожары в режиме on-line [4, 5]. Подобные веб-ресурсы, а также материалы инвентаризации лесов и специальные карты горимости лесного покрова, свидетельствующие о возгорании, легли в основу создания Европейской лесоинформационной системы для борьбы с пожарами, которая интегрировала данные космической съемки и возможности ГИС-серверных технологий. По данным аудита финансовых органов ЕС, проведенного в январе 2017 года, эта система была признана одной из наиболее эффективных среди всех, созданных в JRC за средства Еврокомиссии [6].

Сегодня разработаны оптические и оптико-электронные методы проработки и повышения информативности космических снимков, приведенные в трудах [7]. В частности, корреляционно-оптический метод, изложенный в этих исследованиях, можно применять для восстановления неполных и искаженных изображений, которыми являются изображения очагов пожаров. В ходе реализации этого метода есть возможность физического моделирования процесса распознавания сложных образов и их восстановление по ассоциативному принципу с повышенными информационными характеристиками статической нелинейной голографии [8–10]. Однако основной проблемой широкого практического применения голографической ассоциативной памяти является сложность практической реализации, в частности, отсутствие технологии оптических материалов, которая была бы достаточно гибкой для обработки данных в реальном времени.

Основные преимущества и недостатки каждого из методов представлены в таблице 1. Как свидетельствует анализ, ни один из методов не универсален и не в состоянии полностью решить задачу противопожарной защиты лесов.

Для устранения противоречия между большим количеством дорогостоящих высокотехнологичных противопожарных средств, привлекаемых для борьбы с лесными пожарами, и их недостаточной эффективностью, предлагаем вовлечь в противопожарный мониторинг леса БПЛА индивидуальных пользователей, активное развитие которых наблюдаем сегодня.

Основные способы обнаружения лесных пожаров

Идея привлечения и возможного расширения информационно-технологических возможностей БПЛА базируется на проведённом нами обзоре их современных моделей и анализе возможных сфер применения.

Анализ информационных источников показал, что рынок производства БПЛА и технических средств для них весьма перспективен.

Детальному анализу, классификации, целевому назначению как в военном, так и гражданском сегменте, современным разработкам, дизайну, эволюции беспилотных авиационных систем посвящен труд [11], где приведена международная классификация БПЛА, проведен анализ БПЛА иностранного производства (Unmanned Aerial Vehicles, UAV), в частности, при применении в лесном секторе.

По оценкам специалистов польской компании Sky Tronic, которая наряду с ведущими фирмами США, Китая, Израиля проводит исследования в области проектирования и производства БПЛА, общая стоимость технических решений в этой области оценивается в сумму более $130 млрд с годовой скоростью роста на уровне 20 % ежегодно. В 2023 году будет выпущено 11,5 млрд таких аппаратов. Их производителями будут 400 фирм в Польше и 100 тыс. во всем мире. Сегодня мировой рынок решений для дронов для энергетических и коммунальных предприятий составляет $9,46 млрд в год [12, 13].

Американский эксперт Джон Уорден считает, что к 2025 году около 90 % самолетов будут беспилотными, и только 10 % — пилотируемыми, а пилоты будут «золотым запасом» для наиболее важных и трудных задач [14, 15].

Сферы возможного применения БПЛА проанализированы в ряде исследований, где приводятся основные сферы применения современных БПЛА и выделяют их преимущества [11–18]. К одному из основных преимуществ БПЛА, по мнению авторов, относится способность выполнять задачи автоматически, не требующая присутствия исполнителя в опасных условиях, способность выполнять монотонную работу, требующую определенных высокопрофессиональных навыков и концентрации внимания.

Все эти особенности и преимущества позволяют использовать БПЛА по следующим трем направлениям гражданской деятельности:

– для обеспечения безопасности жизни;

– в научно-исследовательских целях;

Современный рынок гражданской беспилотной техники, направленный на их использование в сельском хозяйстве и охране лесов, считается наиболее перспективным.

Таким образом, БПЛА сегодня с успехом применяются как в военных, так и мирных целях. Есть опыт их внедрения в ходе лесопожарного мониторинга.

Одним из путей улучшения эффективности функционирования информационной системы раннего обнаружения очагов лесных пожаров является вовлечение в мониторинг лесных пожаров БПЛА обычных пользователей. Предполагается расширить функциональные возможности неспециализированных БПЛА таким образом, что в ходе выполнения своих узких специальных задач (картографической съемки, инспекции полей, определения состояния ирригационных сооружений и т. д., экстрим-съемки, масс-медиа и т. п.) они в фоновом режиме будут мониторить лес на предмет поиска очагов лесных пожаров и, в случае фиксации подозрительных объектов, информировать соответствующие службы МЧС.

В соответствии с поставленной задачей оптимизации процесса распознавания очагов лесных пожаров, мы проанализировали задачи цифровой обработки изображений, которые независимо от их типа можно свести к небольшому количеству основных:

1. Фильтрация и улучшение визуального восприятия изображения на фоне помех, которые по возможности необходимо ослабить.
2. Восстановление утраченных участков.
3. Нахождение объектов и их идентификация на некотором фоне.
4. Оценка геометрических трансформаций и совмещение изображений.
5. Оценка характеристик.
6. Сжатие изображений.
7. Правильная цветопередача по всему диапазону.

Правильная цветопередача не влияет на скорость и безошибочность распознавания, а в некоторых случаях даже препятствует ему, поскольку цвета искомого объекта и фона могут совпадать.

В таких случаях целесообразно приглушение одних цветов и насыщение других, ведь улучшение изображения заключается в изменении его свойств, которое позволяет более комфортно и субъективно воспринимать это изображение, а не просто достичь полной идентичности с реальным [19, 20].

Проблемы оценки геометрических трансформаций, совмещения и сжатия изображений в нашем случае также не являются определяющими, поскольку исследуемые изображения получены с помощью надежных неперегруженных каналов передачи данных.

Поскольку в предложенной IТ окончательное принятие решения лежит на человеке-операторе, то для повышения информативности поступающей с борта БПЛА видеоинформации нами проанализированы известные методы современной компьютерной обработки цифровых изображений, возникшие в результате стремления создать универсальные и одновременно предметно-адекватные модели и процедуры для разных прикладных задач [20–24]. Таким образом, была развита система обработки цифровых изображений, полученных с борта БПЛА путем комбинирования методов, которые оказались наиболее эффективными для решения основных задач, которые должна решать информационная технология в автоматическом режиме.

В соответствии с поставленными задачами были выбраны методы, использование которых позволяет их решить, то есть достичь максимального эффекта повышения информативности цифровых изображений в заданных условиях. Как видно из таблицы 6, достижение этого эффекта возможно только путём комбинации нескольких математических методов. В частности, последовательным использованием таких математических методов: повышение контрастности изображения (К), вейвлет-преобразование (В), кластеризация (Кл).

Таблица 2

Выводы. Последовательное использование указанных методов позволит решить все вышеперечисленные задачи. Однако они нуждаются в усовершенствовании и адаптации с учетом мультиплатформенных и аппаратных характеристик устройств управления БПЛА. В дальнейшем, в ходе исследования эффективность каждого из выбранных методов и их комбинаций была проверена экспериментально.

Таким образом, была усовершенствована система обработки цифровых изображений с целью раннего обнаружения на них очагов лесных пожаров.

Литература:

1. Emilio Chuvieco. Fundamentos de teledeteccion espasial. Segunda edición. Madrid: Ediciones rialp, S. A., 1995. 449 с.
2. Костриков С. В. Геоинформационное моделирование природно-антропогенной окружающей среды: научная монография. Харьков: ХНУ им. В. Н. Каразина, 2014. 484с.
3. Путренко В. В. Интеллектуальный анализ угрозы возникновения природных пожаров на базе геоинформационных технологий. Проблемы непрерывного географического образования и картографии: сб. научных работ. Харьковский национальный университет имени В. Н. Каразина. Харьков, 2014. № 19. С. 48.
4. Спутниковый мониторинг лесных пожаров. URL: http://urps-notices.blogspot.nl/2010/08/blog-post_06.html (дата обращения: 11.12.2022).
5. Спутниковые снимки. URL: https://exactfarming.com/ru/solutions/developers (дата обращения: 11.12.2022).
6. Карта и спутниковые фотографии пожаров в Чернобыльской зоне. URL: https://www.chernobyl-tour.com/chernobyl_zone_map_satt.html (дата обращения: 11.12.2022).
7. Bouabdellah K., Noureddine H., Larbi S. Using Wireless Sensor Networks forReliableForestFiresDetection.ProcediaComputerScience.2013.No19.Р.794– 801.
8. Polyanskii P. V., Husak Ye. M. Volume quadric hologram-based associative memories. Optical Memory & Neural Networks (Information Optics). 2014. Vol. 23, No 4. P. 225–232.
9. Polyanskii P. V., Husak Ye. M. Optical correlation approach to all-optical holographic associative memories. Optical Memory & Neural Networks (Information Optics). 2014. Vol. 23, No 1, P. 12–25.
10. Polyanskii P. V., Husak Ye. M. Self сonjugation heteroassociative memories using thin static nonlinearly recorded holograms. Optical Memory & Neural Networks (Information Optics). 2014. No 2. P. 74–83.
11. Лавровский М. С., Тур Н. Е. Использование беспилотных летательных аппаратов для мониторинга чрезвычайных ситуаций в лесной местности. Сборник научно-технических работ. Научный вестник НЛТУ. 2015. Вып. 25.8. C. 353–359.
12. Алексеев О. М., Бондарев Д. И. Перспективы развития беспилотного и муниципального авиационного транспорта. Системы обработки информации. 2016. № 8. С. 10–16.
13. Пожарная служба Манчестера использует дроны с инфракрасной камерой. URL: http://29y.ru/main/22073-pozharnaya-sluzhbamanchestera-ispolzuet- dronov-s-infrakrasnoy-kameroy.html/ (дата обращения: 11.12.2022).
14. Drone Major. Глобальная платформа Drone. URL: https: //ru.dronemajor.net/brands/workswell (дата обращения: 11.12.2022).
15. Тридцать восьмой Chuan Li, George D. Skidmore, C. J. Han. DRS uncooled VOx infrared detector development. Optical Engineering. 2010. Vol. 50, No 50.
16. Савин Л. В. Новые способы ведения войны: как Америка строит империю. СПб.: Питер, 2016. 208 с.
17. Ефремов П. В., Попов К. А., Капитонова Т. А., Стручкова Г. П. Обработка и анализ данных дрона для мониторинга линейных объектов, эксплуатирующихся на севере. Международный журнал экспериментального образования. 2016. № 10–2. С. 238–239.
18. Зинченко О. Н. Беспилотный летательный аппарат: применение в целях аэрофотосъемки для картографирования. Москва: Ракурс, 2011. 200 с.
19. Cолонина А. И., Улахович Д. А., Яковлєв Л. А. Основы цифровой обработки сигналов: курс лекций. СПб: БХВ — Петербург, 2005. 768 с.
20. Прэтт У. Цифровая обработка изображений. (Кн.2). Москва: Мир, 1982. 342с.
21. Гонсалес Р., Вудс. Цифровая обработка изображений. Москва: Техносфера, 2006. 1072 с.
22. Бейтс Р., Мак-Доннелл М. Восстановление и реконструкция изображений. Москва: Мир, 1989. 336 с.
23. Блейхут Р. Быстрые алгоритмы цифровой обработки. Москва: Мир, 1989. 448 с.
24. Стругайло В. В. Обзор методов фильтрации и сегментации цифровых изображений. Научное издание МГТУ имени Н. Э. Баумана. Наука и образование. Электронный научно-технический журнал. Москва, 2012. № 77. С. 270–281.