CC BY
43
TECHNICAL SCIENCES
ACOUSTIC MONITORING OF FOREST FOR EARLY DETECTION FIRES AND OTHER THREATS BY WIRELESS SENSOR NETWORK AND INTELLIGENT DATA PROCESSING
1 2 3
Sonkin M.A. , Khamukhin A.A. , Pogrebnoy A.V.
(Russian Federation), Atanassov K.4, Marinov P.5 (Republic of Bulgaria) Email: [email protected]
1Sonkin Michael Arkadievich - Doctor of Technical Sciences, Professor; 2Khamukhin Alexander Anatolievich - PhD, Associate Professor; 3Pogrebnoy Alexander Vladimirovich - PhD, Associate Professor, DEPARTMENT OF INFORMATION TECHNOLOGY, TOMSK POLYTECHNIC UNIVERSITY, TOMSK;
4Atanassov Krassimir - Corresponding member of the Bulgarian Academy of Sciences, Doctor of Technical (computer) Sciences, Professor; 5Marinov Pencho - PhD, Associate Professor, DEPARTMENT OFBIOINFORMATICS AND MATHEMATICAL MODELLING, INSTITUTE OF BIOPHYSICS AND BIOMEDICAL ENGINEERING BULGARIAN ACADEMY OF SCIENCES SOFIA, REPUBLIC OF BULGARIA
Abstract: the article considers the possibility of using additional tools for the early detection of forest fires - acoustic monitoring of forests. It is shown that sound from acoustic emission of combustion becomes available for registration earlier than visual observation or registration using smoke or temperature sensors (at least in some cases). The results are presented and the problems of further development of this approach based on wireless sensor networks and intelligent data processing are formulated.
Keywords: wildfire, acoustic emission, acoustic signature, signal detection, wavelet analysis, correlation analysis, convolutional neural network, pattern recognition, classification, wireless sensor network.
АКУСТИЧЕСКИЙ МОНИТОРИНГ ЛЕСА ДЛЯ РАННЕГО ОБНАРУЖЕНИЯ ПОЖАРОВ И ДРУГИХ УГРОЗ С ПОМОЩЬЮ БЕСПРОВОДНОЙ СЕНСОРНОЙ СЕТИ И ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ДАННЫХ
1 2 3
Сонькин М.А. , Хамухин А.А. , Погребной А.В. (Российская Федерация), Атанассов К.4, Маринов П.5 (Республика Болгария)
1 Сонькин Михаил Аркадьевич - доктор технических наук, профессор;
2Хамухин Александр Анатольевич - кандидат техических наук, доцент,
3Погребной Александр Владимирович - кандидат техических наук, доцент, отделение информационных технологий, Томский политехнический университет, г. Томск;
4Атанассов Красимир - член-корреспондент Академии наук Республики Болгария, доктор техических (компьютерных) наук, профессор;
5Маринов Пенчо - кандидат техических наук, доцент, отделение биоинформатики и математического моделирования, Институт биофизики и биомедицинской инженерии Академии наук Республики Болгария,
г. София, Республика Болгария
Аннотация: в статье рассматривается возможность применения дополнительного средства раннего обнаружения лесных пожаров -акустического мониторинга леса. Показано, что звук от акустической эмиссии горения становится доступным для регистрации раньше, чем визуальное наблюдение или регистрация датчиками задымленности или температуры (по крайней мере, в ряде случаев). Представлены полученные результаты и сформулированы проблемы дальнейшего развития этого подхода на базе беспроводных сенсорных сетей и интеллектуальной обработки данных. Ключевые слова: природный пожар, акустическая эмиссия, акустическая подпись, обнаружение сигналов, вейвлет-анализ, корреляцмонный анализ, сверточная нейронная сеть, распознавание образов, классификация, беспроводная сенсорная сеть.
Актуальность исследования
Актуальность вытекает из недостатков существующих систем обнаружения лесных пожаров, особенно при быстро распространяющихся верховых и пятнистых природных пожарах, что подтверждается большим количеством информации о таких случаях в мире.
Акустический мониторинг леса при его интеграции с существующими системами обнаружения (космический мониторинг, наземное видеонаблюдение, пожарная сигнализация) может повысить оперативность таких систем, что приведет к снижению промежутка времени между зарождением пожара и прибытием на его тушение пожарно -спасательных подразделений. Снижение этого промежутка времени является важнейшей задачей сил пожаротушения, поскольку чем он больше, тем значительнее увеличивается площадь пожара и тем больше потребуется затрат на его тушение.
В частности, измерение акустической эмиссии при горении леса практически не зависит от времени суток и облачности, что может компенсировать недостатки существующих систем видеонаблюдения, которые не функционируют в ночной период и слабо различают дым на фоне облачности или при пасмурной погоде. Инфракрасные датчики в системах видеонаблюдения имеют существенно меньшую дальность действия и дают большое количество ложных тревог.
Космический мониторинг для раннего обнаружения лесных пожаров осложняется либо низким пространственным разрешением при широкой полосе захвата, либо узкой полосой захвата и редкой повторяемостью съёмки заданного участка поверхности при высоком пространственном разрешении.
В существующих системах пожарной сигнализации обычно применяются дымо-тепловые извещатели, которые ориентированы на закрытые помещения построенных зданий и сооружений и неэффективны на открытых лесных пространствах для раннего обнаружения пожара. Поскольку дым может относить ветром в сторону и другие направления распространения пожара не зафиксируются датчиком задымленности. Тепловые датчики срабатывают, когда огонь вплотную к ним приблизится, в то время как акустические датчики могут зарегистрировать звук пожара на существенно дальнем расстоянии.
Также существующие системы обнаружения не рассчитаны на раннее выявление других угроз, особенно для лесов, охраняемых в законодательном порядке. С помощью акустического мониторинга можно быстро обнаруживать эти угрозы (выстрелы, рубку деревьев, шум двигателя автомобиля или плавсредства и другую несанкционированную деятельность человека). Это государственные природные заповедники, национальные парки, государственные природные заказники, памятники природы, дендрологические парки и ботанические сады.
Анализ современного состояния исследований в данной области
Акустический мониторинг широко используется в диагностике технических устройств, включающей классическую акустическую диагностику, обусловленную динамическими локальными деформациями на поверхности и внутри структуры твердого тела, диагностику утечки жидких и газообразных сред через несплошности структуры твердых тел, связанной с турбулентными либо кавитационными явлениями, акустическое исследования трения поверхностей твердых тел, вызванного трибоскопическими явлениями на трущихся поверхностях, виброакустическую диагностику наиболее успешно используемую для диагностики вращающегося оборудования и др.
Однако для больших расстояний акустический мониторинг разрабатывается и применяется в основном для подводной среды [1]. Это связано, в первую очередь, с тем что акустическое излучение - единственное, способное распространяться под водой на такие расстояния, как сотни и тысячи километров, при этом скорость распространения звука в воде в несколько раз превышает скорость его распространения в воздухе.
В последнее время появился целый ряд научных публикаций по методу акустических подписей (acoustic signature) на основе пакетного вейвлет-преобразования. В частности, описаны системы для распознавания речных [2] и морских [3] судов, для идентификации движущегося автотранспорта [4] и т.д. В двух последних работах описано, что базы акустических подписей дополняются с помощью искусственной нейронной сети на фазе обучения и системы на их основе способны делать автоматическое обнаружение и идентификацию в реальном времени.
Метод акустического обнаружения лесных пожаров был опубликован [5], но не нашел практического применения, поскольку он требовал сооружения громоздких акустических излучателей и приемников искусственного акустического излучения.
Предложенный в [6, 7] метод свободен от этого недостатка и основан на анализе собственной акустической эмиссии природного пожара и передаче данных по беспроводной сенсорной сети.
Очевидная проблема этого метода - большое количество требуемых датчиков и низкая скорость передачи данных. Но возможности технического обеспечения этого метода с каждым годом улучшаются. Это связано со снижением размера, энергопотребления и цены многих сенсорных устройств. Появляются научные публикации, посвящённые исследованию и разработки беспроводных сенсорных сетей для раннего обнаружения лесных пожаров. Так в [8, 9] описываются сети, узлы которых содержат дешевые датчики температуры и ретрансляторы. Особенностью работы [8] является анализ данных с нескольких датчиков, что может указывать не только на наличие пожара, но и на его интенсивность, поведение и направление распространения. В [9] узлы сети строятся на базе ОС Contiki, используется облачное хранилище данных и предлагается система информирования населения о пожаре.
В некоторых публикациях предлагается расширенный список сенсоров в каждом узле. Датчик температуры дополняется датчиком влажности и задымленности [10], или датчиками углекислого и угарного газа [11].
Появляются публикации по акустическому мониторингу лесных территорий с помощью беспроводных сенсорных сетей в основном для экологических целей. Так в [12] анализируется проблема распознавания звуков в дикой природе и предлагается новый алгоритм. В нем предлагается сочетание стандартных классификаторов машинного обучения и некоторой серии баллов, полученной с помощью кепстральных коэффициентов. Работа выполнялась на примере распознавания звуков, издаваемых ануранами (лягушки и жабы, более 5 тыс. видов). Для обучения, валидации и тестирования использовались записи звуков из различных источников: Anuran Calls (MFCCs) Data Set из репозитария машинного обучения UCI, из архива Национального музея естественной истории (Испания), а также записи, полученные в
5 разных местах дикой природы в Испании и Португалии. Предложенный алгоритм тестировался в испанском национальном парке Доньяна, где имеется беспроводная сенсорная сеть. Алгоритм показал хорошие результаты по производительности и точности распознавания (до 97,35%).
Подходы, методы и результаты исследований
Главный подход - это использование эффекта акустической эмиссии при горении леса для раннего обнаружения быстро распространяющихся пожаров. Существуют свидетельства многих очевидцев и записи видео и звука лесных пожаров. Звук от акустической эмиссии горения становится доступным для регистрации раньше, чем визуальное наблюдение или регистрация датчиками задымленности или температуры (по крайней мере, в ряде случаев).
Однако используемые нами методы фильтрации и спектрального анализа шума оказались недостаточными для сокращения количества ложных тревог. Например, в некоторых случаях спектр акустической эмиссии от дождя или ветра почти неотличим от спектра низового лесного пожара. Поэтому требуется применение дополнительных интеллектуальных методов обработки данных.
Предлагается использовать корреляционный анализ, использующий концепцию «интуиционистских нечетких множеств». В результате анализа создается таблица, в которой указаны степени корреляции между любой парой критериев, представленной в виде (интуитивно-нечеткой) пары чисел в интервале (0,1). В итоге могут появиться некоторые интересные корреляции, которые либо подтверждают существующие знания, либо приводят к открытию новых отношений [13].
Предлагается использовать подход, основанный на формировании акустических подписей на основе метода пакетного вейлет-преобразования, который уже успешно используется при акустическом мониторинге водной среды.
Предлагается также использовать метод сверточных нейронных сетей (СНС) для распознавания и классификации акустических подписей источников акустической эмиссии в лесу. Обучение СНС предлагается проводить по обучения с подкреплением (reinforcement learning) на пополняемой базе акустических подписей, формируемой на записях всех значимых источников звуков в лесу, которые имеются в мировых библиотеках и собранных нами записей лесных пожаров.
Как возможный вариант решения проблемы ложных тревог, планируется применить комбинированный подход, в котором предлагается использовать кроме акустического и некоторые другие датчики для измерения объективных характеристик окружающей среды в текущий момент (датчики влажности, температуры, задымленности).
Проведенные нами исследования записей различных лесных пожаров показали, что с помощью методов фильтрации и спектрального анализа пожары можно классифицировать на: низовой, сильный низовой, верховой, сильный верховой, огненный вихрь [14].
В заключение следует отметить, что в связи с огромной практической значимостью проблемы раннего обнаружения лесных пожаров, решение сформулированных здесь научных задач является оправданным и актуальным. А вся история развития компьютерной техники дает основания полагать, что и технические проблемы реализации акустического мониторинга больших лесных массивов, указанные в статье, будут успешно решены.
Список литературы /References
1. ОСПАР (Осло анд Парис Цонвентион). Овервиев оф тхе Импастс оф
Антхропогенис Ундерватер Соунд ин тхе Марине Енвиронмент: Лондон, 2009.
ОСПАР Цоммиссион. 134 п.
2. Авербуч А., Желудев В., Неиттаанмуки П., Wapmuamen П., Хуоман К., Янсон К. Асоустис детестион анд слассифисатион оф ривер боатс // Апплиед Асоустисс, 2011. 72 (1). П. 22-34.
3. Леал Н., Леал Е., Санчез Г. Марине вессел ресогнитион бы асоустис сигнатуре // АРПН Ёурнал оф Енгинееринг анд Апплиед Ссиенсес, 2015. 10(20), П. 9633-9639.
4. Авербуч А.З., Неиттаанмуки П., Желудев В.А. Асоустис Детестион оф Мовинг Вехислес. Ин: Сплине анд Сплине Вавелет Метходс витх Апплисатионс то Сигнал анд Имаге Просессинг. Спрингер, Чам, 2018. П. 219-239.
5. Сахин Ы.Г., Инсе Т. Еарлы Форест Фире Детестион Усинг Радио-Асоустис Соундинг Сыстем // Сенсорс (Басел), 2009; 9(3). П. 1485-1498.
6. Кхамукхин А.А Метход оф детестинг форест фире / РУ2556536 (Ц1), 2015.
7. Кхамукхин А.А., Бертолдо С. Спестрал Аналысис оф Форест Фире Ноисе фор Еарлы Детестион усинг Вирелесс Сенсор Нетворкс // Цонтрол анд Цоммунисатионс (СИБЦОН): Просеедингс оф тхе ХИИ Интернатионал Сибериан Цонференсе, Моссоw. Маы 12-14, 2016: ИЕЕЕ, 2016. 4 п.
8. Алкхатиб А., Алиа М., Аднан Хнаиф А. Смарт Сыстем фор Форест Фире Усинг Сенсор Нетворк // Интернатионал Ёурнал оф Сесуриты анд Итс Апплисатионс Вол. 11. № 7 (2017). П. 1-16.
9. Бурак Карадуман Б., Ааа Т., Чалленгер М., Еслампанах Р. А Цлоуд анд Цонтики басед Фире Детестион Сыстем усинг Мулти-Хоп Вирелесс Сенсор Нетворкс // ИЦЕМИС '18 Просеедингс оф тхе Фоуртх Интернатионал Цонференсе он Енгинееринг - МИС 2018, АЦМ Нев Ёрк.
10. Лутакамале А.С., Каияге С. Вилдфире Мониторинг анд Детестион Сыстем Усинг Вирелесс Сенсор Нетwорк: А Цасе Студы оф Танзаниа // Вирелесс Сенсор НетВорк, Вол.9, Но.8, 2017, п. 274-289.
11. Солобера Й. Детестинг форест фирес усинг вирелесс сенсор нетворкс // Либелиум Ворлд: Публишед ин: Артислес, Цасе Студиес, Сесуриты & Емергенсиес, 2010.
12. Лукуе А., Ромеро-Лемос Й., Царрассо А., Барбанчо Й. Импровинг Цлассифисатион Алгоритхмс бы Цонсидеринг Ссоре Сериес ин Вирелесс Асоустис Сенсор Нетворкс // Сенсорс, 2018, 18 (8), 2465, 26 п.
13.Атанассов К. Интуитионистис Фуззы Сетс: Тхеоры анд Апплисатионс, Спрингер-Верлаг, Хеиделберг, 1999. П. 1-137.
14. Кхамукхин А.А., Демин А.Ы., Сонкин Д.М., Бертолдо С., Перона Г., Кретова В. Ан алгоритхм оф тхе вилдфире слассифисатион бы итс асоустис емиссион спеструм усинг Вирелесс Сенсор Нетворкс // Ёурнал оф Пхысисс: Цонференсе Сериес: Лондон, 2017. Вол. 803. 6 п.
Список литературы на английском языке /References in English
1. OSPAR (Oslo and Paris Convention). Overview of the Impacts of Anthropogenic Underwater Sound in the Marine Environment: London, 2009. OSPAR Commission. 134 р.
2. Averbuch A., Zheludev V., Neittaanmaki P., Wartiainen P., Huoman K., Janson K. Acoustic detection and classification of river boats // Applied Acoustics, 2011. 72 (1). Р. 22-34.
3. Leal N., Leal E., Sanchez G. Marine vessel recognition by acoustic signature // ARPN Journal of Engineering and Applied Sciences, 2015. 10(20). Р. 9633-9639.
4. Averbuch A.Z., Neittaanmaki P., Zheludev V.A. Acoustic Detection of Moving Vehicles. In: Spline and Spline Wavelet Methods with Applications to Signal and Image Processing. Springer, Cham, 2018. Р. 219 -239.
5. Sahin Y.G., Ince T. Early Forest Fire Detection Using Radio-Acoustic Sounding System // Sensors (Basel), 2009. 9 (3). Р. 1485-1498.
6. Khamukhin A.A. Method of detecting forest fire / RU2556536 (C1), 2015.
7. Khamukhin A.A., Bertoldo S. Spectral Analysis of Forest Fire Noise for Early Detection using Wireless Sensor Networks // Control and Communications (SIBCON): Proceedings of the XII International Siberian Conference, Moscow, May 12-14, 2016: IEEE, 2016. 4 p.
8. Alkhatib A., Alia M., Adnan Hnaif A. Smart System for Forest Fire Using Sensor Network // International Journal of Security and Its Applications. Vol. 11. № 7, 2017. P. 1-16.
9. Burak Karaduman B., A§ici T., Challenger M., Eslampanah R. A Cloud and Contiki based Fire Detection System using Multi-Hop Wireless Sensor Networks // ICEMIS '18 Proceedings of the Fourth International Conference on Engineering & MIS, 2018, ACM New York.
10. Lutakamale A.S., Kaijage S. Wildfire Monitoring and Detection System Using Wireless Sensor Network: A Case Study of Tanzania // Wireless Sensor Network. Vol. 9. № 8, 2017. P. 274-289.
11. Solobera J. Detecting forest fires using wireless sensor networks // Libelium World: Published in: Articles, Case Studies, Security & Emergencies, 2010.
12. Luque A., Romero-Lemos J., Carrasco A., Barbancho J. Improving Classification Algorithms by Considering Score Series in Wireless Acoustic Sensor Networks // Sensors, 2018. 18 (8), 2465. 26 p.
13.Atanassov K. Intuitionistic Fuzzy Sets: Theory and Applications, Springer-Verlag, Heidelberg, 1999. P. 1-137.
14. Khamukhin A.A., Demin A.Y., Sonkin D.M., Bertoldo S., Perona G., Kretova V. An algorithm of the wildfire classification by its acoustic emission spectrum using Wireless Sensor Networks // Journal of Physics: Conference Series: London, 2017. Vol. 803. 6 p.
