Автореферат.

Проект «Использование нейросетей в устройствах беспилотных летательных аппаратов для обнаружения очага пожара лесных массивов»

Вводная часть.

В современном обществе нейросети стали чем-то обыденным. История нейронных сетей помнит взлеты и падения, но вот уже несколько лет, как они прочно обосновались в списке ключевых трендов рынка систем безопасности и продолжают укреплять свои позиции. Ведется активная работа по освоению нейросетей для различных задач анализа и распознавания информации, но они показывают реальные шансы выйти за пределы технологий распознавания и поменять облик всей отрасли.

Машины теперь способны решать все больше процессов, за которые раньше отвечали люди. Кроме того, делают это качественнее и во многих случаях дешевле.

Проект «Использование нейросетей в устройствах БПЛА для обнаружения очага пожара лесных массивов», в котором анализируется видеоряд в реальном времени, позволяет выявлять огонь разных размеров в лесной местности.

Предметом исследования является возможности нейросетей в сфере пространственного маневрирования и обнаружения пожаров в лесной и около лесной зонах.

Позднее обнаружения возгорания приводит к потерям множества гектаров леса, потери сырья, денег и прочим жертвам. Задачами проекта являются: Быстрое и эффективное нахождение пожаров с его дальнейшим тушением МЧС, минимизация потерь и использования ресурсов.

Проект в рамках исследовательской и практической работы знакомит и показывает возможности нейросети при использовании современных технологий и стимулирует познавательный интерес в научно-технологической сфере, включает автономную систему оповещения и обнаружения лесных пожаров с использованием дронов, автономных подзарядных станций и нейросетей.

Главным преимуществом данного проекта является то, что нейротехнологии оказывают разностороннее воздействие на деятельность человека в лесной промышленности.

Одними из основных сфер применения нейросетей для БПЛА являются обнаружение возгораний, охрана предприятий, для обеспечения правопорядка.

1. Теоретическая часть.

Для создания нейронной сети по поиску пожаров и БПЛА с автопилотом необходимо учитывать несколько аспектов.

Во-первых, необходимо определить, какие данные будут использоваться для обучения и работы сети. Могут быть использованы данные, полученные с помощью различных датчиков, таких как тепловизоры, видеокамеры, газоанализаторы и др.

Во-вторых, для обработки и классификации этих данных можно использовать различные алгоритмы машинного обучения, включая нейронные сети. Нейронные сети могут быть эффективными в обработке сложных и неструктурированных данных, таких как изображения и видео.

В-третьих, для обучения нейронной сети необходимо иметь большой набор данных, которые должны быть предварительно размечены. Разметка данных может быть выполнена вручную или автоматически с помощью алгоритмов компьютерного зрения.

В-четвертых, необходимо выбрать подходящую архитектуру нейронной сети и настроить ее параметры. Для этого могут быть использованы различные методы оптимизации, такие как стохастический градиентный спуск и его модификации.

В-пятых, для проверки эффективности созданной нейронной сети необходимо провести тестирование на наборе данных, которые не были использованы в процессе обучения.

Также необходимо учитывать, что для реализации автопилота дрона необходимо использовать дополнительное оборудование, такое как GPS-модуль и датчики ориентации.

TensorFlow и Keras - это библиотеки, которые позволяют разрабатывать и обучать нейронные сети. TensorFlow предоставляет низкоуровневый API для создания и обучения моделей глубокого обучения, а Keras является высокоуровневым API, которое облегчает создание моделей, предоставляя удобный и интуитивно понятный интерфейс.

CV2 - это библиотека компьютерного зрения, которая позволяет обрабатывать изображения и видео. С ее помощью можно прочитать изображение, изменить его размер, применить фильтры, обработать цвета и т.д.

Numpy - это библиотека для работы с массивами и матрицами в Python. Она предоставляет удобный и эффективный способ работы с многомерными массивами, что делает ее очень полезной для обработки данных в машинном обучении.

Для создания нейросети по поиску пожаров можно использовать TensorFlow и Keras для создания модели глубокого обучения. С помощью CV2 можно обрабатывать изображения с камеры видеонаблюдения и подготавливать их для обучения модели, а также для тестирования. Например, можно использовать CV2 для применения фильтров и алгоритмов обнаружения границ на изображениях, чтобы выделить регионы, связанные с возможными пожарами. Numpy можно использовать для эффективной работы с данными в форме массивов, которые используются для обучения модели. Можно использовать numpy для манипулирования и изменения размера данных, а также для разделения данных на тренировочные, валидационные и тестовые наборы. Все эти библиотеки могут быть полезными при создании нейросети для поиска пожаров, так как они предоставляют удобные инструменты для работы с изображениями и данными.

  2. Прикладная часть.

Для реализации проекта было необходимо рассмотреть несколько различных деталей и принять множество решений.

Во-первых, необходимо было определить наилучшие способы сбора данных о пожарах. Для этого можно использовать БПЛА, оснащенные тепловизорами и видеокамерами, которые будут сканировать территорию и искать участки, на которых возникли пожары. Эти данные можно передавать нейросети для обработки и определения местонахождения и характеристик пожара.

Во-вторых, потребовалось определить критерии для классификации типов пожаров и определения их уровня опасности. Эти критерии могут включать такие факторы, как площадь пожара, скорость распространения, наличие токсичных веществ и т.д. На данном этапе используется более простые критерии - наличие или отсутствие пожара.

В-третьих, было необходимо создать нейросеть, которая будет обрабатывать данные, полученные от БПЛА, и выдавать соответствующую реакцию на возникший пожар. Для тренировки нейросети была использованы библиотеки TensorFlow и Keras, а обрабатывались изображения с помощью NumPy и CV2, а датасет был собран с помощью платформы Kaggle. Например, это может быть отправка сообщения на пульт пожарной охраны, запуск системы пожаротушения или эвакуация людей.

В-четвертых, необходимо обеспечить соответствующую инфраструктуру для реализации проекта, включая БПЛА, автономные станции, тепловизоры, вычислительные системы и т.д. Кроме того, необходимо учесть законодательные и регуляторные требования в области пожарной безопасности и согласовать вылеты с “Единая система организации воздушного движения”.

Также будет использоваться автономная станция. Существует несколько способов работы автономной станции для дронов, но общая идея заключается в том, чтобы обеспечить дронам доступ к электроэнергии и связи с оператором, а также возможность обслуживания и ремонта. Способ подзарядки будет реализован при помощи технологии беспроводной зарядки, это уменьшит кол-во механический деталей, а следовательно обслуживать придется реже. В качестве оператора будет выступать автопилот с функцией переключения управления на живого оператора что поможет сократить использование человеческих ресурсов

Один из способов работы автономной станции для дронов - это установка солнечных панелей и аккумуляторных батарей для обеспечения электропитания. Дополнительно можно установить ветрогенераторы для увеличения производства энергии в случае отсутствия солнечной энергии. Кроме того, можно установить генераторы на дизельном топливе для обеспечения резервного источника питания в экстремальных ситуациях. Также станция будет максимально мобильна, для этого она будет оснащена колёсами для передвижения, а также ручным тормозом для фиксации на месте.

  3. Заключительная часть.

Итак, чтобы реализовать проект нейросети по поиску пожаров с помощью БПЛА, необходимо должны провести детальный анализ требований, определить ключевые аспекты и обеспечить соответствующую инфраструктуру. Основная задача проекта - значительно увеличить эффективность системы пожарной безопасности и уменьшить риски возникновения пожаров в лесах.

На страницу проекта