CC BY
35
/12 Civil SecurityTechnology, Vol. 16, 2019, No. 1 (59) УДК 004.93
Метод автоматической классификации подводных потенциально опасных объектов
ISSN 1996-8493
© Технологии гражданской безопасности, 2019
В.В. Артюхин, А.И. Вялышев, В.М. Добров, Ю.Н. Любин
Аннотация
Рассмотрена разработка программно-математических средств классификации подводных потенциально опасных объектов с использованием гидроакустических методов в автоматическом режиме. Проанализированы гидролокационные изображения, полученные от гидролокатора бокового обзора, Сформирован образ объекта, который затем распознается (классифицируется), как принадлежащий к определенному классу объектов. Разработаны алгоритмы и программное обеспечение для формирования образа объекта и принятия решения о его принадлежности к тому или иному классу.
Ключевые слова: гидроакустика; гидролокатор бокового обзора; подводный потенциально опасный объект; нейронные сети; классификация; принятие решения; классификационные признаки; информация.
A Method for Automated Classification of Potentially Hazardous Underwater Objects
ISSN 1996-8493
© Civil Security Technology, 2019
V. Artyuhin, A. Vyalyshev, V. Dobrov, Y. Lyubin
Abstract
The article deals with the development of software and mathematical tools for classification of potentially hazardous underwater objects using hydroacoustic methods in automatic mode. Based on the analysis of sonar images obtained from the side-scan sonar, an image of the object is formed, which is then recognized (classified) as belonging to a certain class of objects. The algorithms and software for obtaining the images of such objects and their classification were developed.
Key words: hydroacoustics; side-view sonar; underwater potentially dangerous object; neural networks; classification; decisionmaking; classification features; information.
Статья поступила в редакцию 22.01.2019.
Дно океана стало глобальным источником все возрастающей экологической опасности, являясь, по существу, неконтролируемым кладбищем радиоактивных отходов, боевых отравляющих веществ, а также потерпевших аварию кораблей и подводных лодок с ядерными энергетическими установками и ядерным оружием на борту. На дне Мирового океана находится большое количество объектов, которые могут представлять потенциальную опасность для населения и окружающей среды, — подводные потенциально опасные объекты (ППОО) [1]. К таким объектам в первую очередь относятся:
затонувшие атомные подводные лодки и их конструкции с отработавшим ядерным топливом;
затонувшие и затопленные корабли и суда с боезапасом на борту;
затонувшие контейнеры и бочки с опасными веществами;
боеприпасы (мины, снаряды и др.). Наиболее сложной была и остается проблема поиска так называемых малоразмерных объектов, а также объектов, частично погруженных в грунт и заиленных. К их числу относятся донные и придонные мины, аварийные контейнеры с отравляющими и радиоактивными веществами, утерянные боеприпасы (авиабомбы, торпеды, боеголовки и т. п.), квалифицируемые специалистами-гидроакустиками как «малоразмерные объекты». В эту же категорию попадают и «черные ящики» летательных аппаратов, потерпевших аварию над морем.
Универсальность подхода, предложенного в работе, позволяет использовать разработанную систему для классификации любых объектов на дне акватории.
Для обнаружения подводных потенциально опасных объектов гидроакустическими средствами, как правило, используются гидролокаторы бокового обзора с дальностью действия до сотен метров и предназначенные для работы в мелководных условиях в прибрежных и шельфовых зонах морей. Они имеют, как правило, сравнительно высокие рабочие частоты и хорошую разрешающую способность по дальности.
Гидролокатор бокового обзора (ГБО) дает трехмерное изображение рельефа дна с расположенными на нем объектами. Пример изображения с затопленным судном представлен на рис. 1.
Оценку изображения ГБО обычно визуально дает оператор гидролокатора, который и определяет класс объекта. Для ряда задач при большом объеме информации целесообразно распознавать изображения в автоматическом режиме, однако, несмотря на широкое применение методов распознавания образов в различных областях, до настоящего времени вопрос с подводными потенциально опасными объектами не решен.
Задача автоматического обнаружения и последующей классификации или распознавания ППОО усложняется как многообразием видов и размеров объектов на дне, так и их расположением относительно линии движения корабля-буксира ГБО, т.е. один и тот же объект на разном расстоянии от корабля-буксира и под разными углами визирования может иметь совершенно
Рис. 1. Затопленное судно на изображении гидролокатора бокового обзора
разное изображение (картинку) на экране ГБО. Особенно это заметно на протяженных объектах (лодках, бревнах, снарядах и т.д.). Поэтому задачу приходится решать в два этапа.
На первом этапе применяется метод выбора единичного объекта из потока данных с выхода гидролокатора бокового обзора или, иными словами, — обнаружение «кандидатов» в ППОО и их первичная селекция по размерам объекта («кандидат» в ППОО должен быть размером не менее 0,5 метра и не более 100 метров). Изображение на выходе ГБО позволяет это делать, т. к. разрешающая способность аппаратуры наблюдения (размеры пикселей изображения) в настоящее время составляет не более 0,2 метров. Результаты работы алгоритма обнаружения передаются на классификацию в виде фрагментов изображений, содержащих «кандидатов» в ППОО. Их чаще называют стробами, содержащими изображения меньшего объема, чем исходное изображение с выхода ГБО.
На втором этапе производится классификация объектов в каждом стробе, полученном в алгоритме обнаружения «кандидатов» в ППОО.
Таким образом, можно назвать первичной обработкой обнаружение и поиск объекта и выделение строба, а вторичной обработкой — классификацию объекта в стробе.
Алгоритм выбора объекта работает следующим образом.
На выходе ГБО выдается изображение подводной обстановки справа и слева от линии движения корабля-буксира ГБО, которое обрабатывается в блоке предварительной обработки. На выходе блока предварительной обработки получаются два изображения (справа и слева от линии движения корабля-буксира), в которых проведена ликвидация линейных искажений и удалена перекрывающаяся часть кадра, которая
находится под кораблем-буксиром. Далее правая и левая части кадра обрабатываются независимо.
Все строки обрабатываются по одному алгоритму с целью обнаружения границ потенциального объекта и его акустической тени в каждой строке. Для этого сигнал в строке «пропускается» через линейный согласованный фильтр, и отфильтрованный сигнал сравнивается с двумя порогами: превышение верхнего порога определяет левую и правую границу объекта в данной строке, а значение отфильтрованного сигнала, меньшее нижнего порога, определяет левую и правую границу акустической тени объекта в данной строке.
После обработки всех строк кадра производится «сшивка» границ потенциальных объектов между ближайшими строками по принципу «ближайшего соседа». «Сшивка» границ продолжается до тех пор, пока в двух соседних строках отсутствует (не будет найдено) продолжение границы потенциального объекта. После этого производится вычисление левой нижней и правой верхней границы потенциального объекта, и эти параметры используются для вычисления координат строба (для последующей выборки из кадра строба, содержащего сигналы от потенциального объекта, с учетом его потенциальных границ в кадре).
Далее выбранный строб передается на алгоритм классификации.
При классификации выбранного подводного потенциально опасного объекта могут быть использованы два подхода:
измерение и выделение классификационных признаков с последующим анализом и принятием решения;
распознавание образа подводного потенциально опасного объекта как присущего заданному классификационному типу, сформированного на основании накопленных предыдущих данных.
При первом подходе источником исходной информации является гидролокатор, который, используя пространственную и временную обработку, формирует пространство сигналов, принадлежащее всем обнаруженным целям. Априорно не известно, какие цели и на каких дистанциях расположены в пространстве обработки. С выхода системы пространственно-временной обработки все сигналы поступают в блок измерения классификационных признаков, в котором производится выделение классификационных признаков и преобразование их в удобную для дальнейшего анализа форму. Для этого необходимо обеспечить точность измерения и разрешающую способность по времени и пространству.
Результаты этого преобразования дают п — мерный вектор, который является кодом выделенного класса. Этот код имеет случайный характер, поскольку признаки измеряются в условиях помех и ошибками системы измерения, обусловленной погрешностью собственного движения, а также случайностью появления конкретного представителя конкретного класса объектов. С выхода блока измерения признаков код объекта поступает в блок принятия решения, куда также поступают коды эталонов всех классов.
С выхода блока принятия решения выдаются количественные показатели, характеризующие близость предъявленной реализации с эталоном. Результатом сравнения являются, как правило, апостериорная вероятность или коэффициент корреляции. В блоке принятия решения выполняется сопоставление по заданному критерию, отнесение объекта к одному из эталонов. База данных предназначена для хранения признаков эталонных классов и результатов, полученных на различных этапах распознавания. Признаки эталонов закладываются в него на основе начальных априорных данных.
Система классификационных признаков должна быть заранее известна и применительно к ней должна разрабатываться пространственно-временная обработка.
Можно пойти по другому пути: используя имеющуюся пространственно-временную обработку, проанализировать полученные результаты и на их основе сформулировать набор классификационных признаков. В первом случае, когда известен набор классификационных признаков, возможно формирование процедур автоматического принятия решения. Во втором случае, решение, как правило, должно приниматься оператором на основании предварительной обработки исходной информации.
Впервые система классификации, в которой были реализованы алгоритмы автоматического измерения классификационных признаков и алгоритмы автоматического принятия решения, была разработана применительно к малогабаритному комплексу освещения обстановки.
Комплекс устанавливался на конкретном стационарном носителе и имел функцию обеспечения безопасности плавания. Система классификации содержала набор классификационных признаков, которые автоматически измерялись при обнаружении цели. На основании выработанных классификационных признаков формировалось автоматическое решение о классе цели для сформированной полной группы событий. Оператор принимал самостоятельное решение по виду отображаемой информации и измеренным классификационным признакам.
В настоящей работе классификацию изображений подводных потенциально опасных объектов в программном обеспечении предлагается осуществлять с использованием алгоритмов сверточной нейронной сети (convolutional neuron network).
Метод нейронных сетей основан на простой математической модели функционирования мозга. Нейронные сети могут применяться для получения как численных, так и бинарных решений. Метод является весьма затратным с точки зрения вычислений, однако структура сетей позволяет захватывать (учитывать) сложные взаимосвязи между предикторами и значениями зависимой переменной. С другой стороны, сеть может восприниматься как «черный ящик», поскольку выявленные взаимосвязи нелегко понять и интерпретировать. Таким образом, метод нейронных сетей является хорошим выбором, если требуются точные прогнозы, но не состоятелен при решении задач описательного
анализа или при необходимости исследования характера связей между переменными. Прогнозы, полученные с помощью нейронных сетей, можно объединять с другими, создавая прогностические «ансамбли» [2].
Схему искусственного нейрона (как математическое отражение физического нейрона в мозге человека) можно представить следующим образом (рис. 2).
Рис. 2. Схема нейрона в искусственной нейронной сети (пояснения в тексте)
Как и в случае с биологическим нейроном, искусственный принимает входные значения х1, х , ..., хп, перемножает из с весами w1, w2, ..., wn, суммирует получившиеся значения (производя «логит» нейрона, г = ^. тх ) и передает в функцию/ рассчитывающую выход нейрона у = / (г). Значение у затем может передаваться в другие нейроны в качестве входа.
В человеческом мозге нейроны организованы в слои. Искусственная нейронная сеть возникает, когда соединяются искусственные нейроны в слои, а слои связываются выходами и входами, при этом первый слой получает на вход исходные данные задачи, а последний выдает на выходе решение этой задачи (рис. 3).
Рис. 3. Простой пример нейронной сети с тремя слоями
Функции преобразования логитов нейронов в каждом слое могут быть различными: линейными в простейшем случае (/ (г) = аг + Ь), сигмоидальны-ми, тангентными или ограниченно-линейными (соответственно,
f (z >=1
+ e
f (z) = tanh (z) и f (z) = max (0; z)) — в других. Простейший пример нейронной сети — это сеть без скрытых слоев (есть только входной и выходной слои), эквивалентная линейной регрессии. Прогноз (решение задачи) получается в виде линейной комбинации входов. Веса выбираются с использованием алгоритма обучения, минимизирующего функцию стоимости (например, MSE — mean squared error, среднее квадратов ошибок). Разумеется, в таком простом случае нет смысла в нейронной сети вообще, поскольку использование непосредственно метода линейной регрессии значительно эффективнее [3].
В рассматриваемом случае будет использоваться более сложная сеть, в качестве входа нижнего слоя нейронов будут выступать данные изображений (значения интенсивностей пикселей) подводных объектов, а на выходах верхнего слоя нейронов будут получены вероятности отнесения объектов на изображениях к различным классам. Нейронная сеть преобразует значения пикселей изображения в полезное представление, извлекая высокоуровневые особенности изображения (такие как формы и ребра в изображении), которые описывают сложные концепции при помощи комбинирования большого числа небольших фрагментов информации [4].
В задаче классификации изображений на выходе нейронной сети удобно получать распределение вероятностей отнесения объекта на изображении к тому или иному классу, поэтому в подобного рода задачах на выходном слое нейронов используется функция softmax. Радикальное отличие функции заключается в том, что для ее вычисления необходимо не только значение логита данного нейрона, но и значения логитов всех остальных нейронов в слое:
У, =
X
je-
В случае «хорошего», «сильного» предсказания выход одного из нейронов будет значительно больше выходов других; иными словами, в идеале, объект должен быть отнесен к конкретному классу с изрядной долей уверенности.
Вначале все веса соединений в сети инициализируются некоторым случайным образом. В течение фазы тренировки в модель загружаются изображения объектов, классы которых известны (помечены). Сравнивая ответы сети у с известными правильными ответами t, можно получить функцию ошибки Е, в частности, в виде нормы второго порядка:
£ = 1X 2 '
(t м- />)2.
Чем ближе Е к нулю, тем точнее предсказания рассмотренной модели, и при Е = 0 она осуществляет предсказания с идеальной точностью.
Точность модели в течение фазы тренировки повышается за счет применения методов оптимизации к функции ошибки Е. Более точно, нам необходимо
1
найти минимальное значение E, как функции, в том числе и от весов входов в последний слой нейронов. Используя градиентный спуск (или другой метод оптимизации), можно скорректировать веса для входов последнего слоя. С другой стороны, величина функции ошибки зависит не только от весов соединений в последнем слое нейронов, но и от значений входов в эти нейроны. Те, в свою очередь, зависят от весов на слое перед последним и т.д. Распространяя «ответственность» за величину ошибки на все слои, можно скорректировать все веса в сети, таким образом обучая модель. Этот подход носит название «метод обратного распространения ошибки» [5].
При обработке изображений классическими нейронными сетями возникает значительная проблема. Поскольку изображение, подаваемое на вход, разбивается на пиксели, это означает, что число входов (и, соответственно, весов) в каждый нейрон нижнего слоя сети составит: число пикселей в высоту • число пикселей в ширину • число цветовых компонент, например, 200 • 200 • 3 = 120000.
Такое количестве соединений не только избыточно, потребляет большой объем памяти и замедляет процесс обучения, но и со значительной долей вероятности приведет к переобученности сети в отношении тренировочных данных.
Сверточная нейронная сеть использует преимущество знания о том, что обрабатываются именно изображения, а значит, можно разумно ограничить архитектуру сети так, чтобы значительно снизить число входящих соединений.
Основа сверточной нейронной сети — применение слоев фильтрации (filters) и объединяющих слоев (max pooling).
Фильтрующий слой обрабатывает трехмерный массив информации (в рассматриваемом случае размеры такого массива определяются длиной и шириной изображения, а также количеством цветовых компонент в нем) и выдает другой трехмерный массив информации, с длиной и шириной, определяемыми параметрами фильтров, и глубиной, определяемой числом применяемых фильтров (рис. 4).
ГЦ1! J 1
Рис. 4. Применение двух фильтров, выделяющих горизонтальные и вертикальные линии
Объединяющий слой отвечает за сокращение размеров массива информации (и, как следствие, числа входов в следующий слой) за счет разбиения массива информации на равные по размерам фрагменты и конденсирования значений отдельных элементов в каждом фрагменте в одном значении [6].
Рис. 5. Пример значительного сокращения числа параметров нейронной сети за счет применения объединения
При решении задачи классификации объектов в общем виде нейронным алгоритмом будем называть вычислительную процедуру, основная часть которой может быть реализована на нейронной сети.
Основой разработки нейронного алгоритма решения задачи является системный подход, при котором процесс решения задачи представляется как функционирование во времени некоторой динамической системы, на вход которой подается множество D (исходные данные), а на выходе снимается множество R (объекты, подлежащие определению и получившие свои значения).
Решение задачи с помощью нейронного алгоритма включает:
1) Получение конкретной структуры нейросети, соответствующей применяемому алгоритму.
2) Нахождение значений весовых коэффициентов либо выбор их из памяти, если они были найдены ранее.
3) Генерацию начальных приближений параметров, если это необходимо.
4) Передачу всех численных значений в нейросеть и ее запуск.
5) Функционирование сети в соответствии с режимом:
на протяжении одного шага или фиксированного числа шагов;
на протяжении переменного числа шагов, зависящего от требуемой точности и/или конкретных числовых значений параметров (в этом случае происходит процесс настройки входного сигнала).
6) Получение решения.
Пункты 1) и 2) могут быть выполнены однократно для последующего многократного применения пунктов 3), 4), 5) и 6) [5].
В случае применения подхода на основе нейронной сети к задаче классификации изображений подводных объектов перечисленное выше означает, что на этапе обучения в нейронною сеть с выбранной топологией загружаются заранее размеченные данные, то есть
данные непосредственно изображений и заранее присвоенные этим изображениям классы объектов; корректируются параметры сети, а затем на этапе работы в сеть загружаются по одному уже неразмеченные изображения с целью снять решение о присвоенном классе на выходе нейронной сети.
В графическом режиме программа классификатора работает в пять простых шагов (рис. 6, рис. 7):
^ / 1. Выбор кзобраивнин 7 для классификации
_У_
/2. Вывод изображения да экранную форму
_у__
/3, Запрос процедуры классификации
V
4. Выполнение ракета
_У_
/ Вывоз результатов
-4 кгэса(фикащи на
/ экран
Рис. 6. Блок-схема работы с программой классификации в графическом режиме
1. Выбор изображения для классификации.
2. Вывод изображения на экранную форму.
3. Запуск классификации.
4. Осуществление классификации методом нейронной сети (расчет весовых коэффициентов и распределение вероятности отнесения изображения к каждому из классов — судно, контейнеры, бочки, боеприпасы).
5. Вывод результатов расчетов на экранную форму.
Помимо графической имеется также версия программы классификатора для командной строки. В этом случае параметр (имя файла изображения для классификации) задается с помощью параметра командной строки, результат (параметры распределения классификации) также выводится в текстовом режиме либо в текстовый файл.
Современные модели распознавания и классификации изображений могут включать миллионы параметров. Тренировка их с нуля требует большого объема тренировочных размеченных данных (миллионов изображений) и значительного времени (сотен часов работы GPU — графических процессорных устройств на видеокартах, применяемых для параллельных вычислений, связанных, в том числе, и с нейронными сетями).
Перенос знаний — это техника, позволяющая взять часть модели, уже натренированной (обученной) на схожей задаче, и использовать ее в новой модели для другой задачи. Такой подход не обеспечивает точности, которая может быть получена при тренировке полной модели, однако показывает себя удивительно хорошо на множестве задач, также позволяя использовать тысячи, а не миллионы тренировочных изображений, и тренировать модели за полчаса или час, а не за сотни часов. Именно он применяется в данной работе.
После обучения сети на большой базе данных для тестирования точности работы программы распознавания было отобрано/синтезировано 100 изображений с объектами. Эти изображения ранее не встречались нейронной сети, то есть не использовались при ее обучении. Отдельные результаты тестирования приводятся в таблице на с. 18.
7
Рис. 7. Снимок экранной формы (номера соответствуют шагам алгоритма работы с программой)
Таблица
Результаты тестирования программы классификации подводных объектов на изображениях с гидролокатора бокового обзора (буквенные обозначения соответствуют следующим категориям: А — корабль/лодка, В — контейнеры,
С -бочки, D — боеприпасы, Е — другое)
№ теста Изображение Вероятность отнесения объекта на изображении к категории, %
A ВС D Е
99,84
0,00
0,14
0,00
0,02
19
1,59
79,27
0,14
12,51
6,50
22
87,43
12,17
0,11
0,10
0,18
2
По итогам финального тестирования программа объектов как непосредственно на выходе гидролокатора показала правильность определения категорий для бокового обзора, так и при постобработке накопленных 100 новых изображений на уровне 91%. записей.
Разработанный метод может быть использован для классификации подводных потенциально опасных
Литература 3.
4.
1. Вялышев А. И. МЧС России и подводные потенциально опасные объекты // Технологии гражданской безопасности. 2017. 5 Т. 14. № 1 (51).
2. Shmueli Galit, Lichtendahl Jr. Kenneth C. Practical Time Series 6. Forecasting with R. Axelrod Schnall Publishers, 2016. 232 pages.
Hyndman Rob J., Athanasopoulos George. Forecasting. Principles and Practice. OTexts.com, 2014. 292 pages. Hope Tom, Resheff Yehezkel S., Lieder Itay. Learning TensorFlow. O'Reilly, 2017. 288 pages.
Галушкин А. И. Нейронные сети: основы теории. М.: Горячая линия-Телеком, 2010. 496 с.: ил.
Nikhil Buduma. Fundamentals of Deep Learning. O'Reilly, 2017. 283 pages.
Сведения об авторах
Артюхин Валерий Викторович: к. э. н., ФГБУ ВНИИ ГОЧС
(ФЦ), вед. н. с. науч.-исслед. центра.
121352, Москва, ул. Давыдковская, 7.
e-mail: ikshot@mail.ru
SPIN-код — 7954-1764.
Вялышев Александр Иванович: д. физ.-мат. н., ФГБУ ВНИИ ГОЧС (ФЦ), гл. н. с. науч.-исслед. центра. 121352, Москва, ул. Давыдковская, 7. е-mail: vialyshev@rambler.ru SPIN-код — 1070-5547.
Добров Владимир Михайлович: ФГБУ ВНИИ ГОЧС (ФЦ),
с. н. с. науч.-исслед. центра.
121352, Москва, ул. Давыдковская, 7.
е-mail: dobrov007@mail.ru
SPIN-код — 1235-0759.
Любин Юрий Николаевич: к.т.н. АО «Российские космические системы», вед. инж.-констр. 111250, Москва, ул. Авиамоторная, д. 53. e-mail: y.lyubin@mail.ru
Information about the authors
Artyuhin Valery V.: PhD (Economics Sc.), All-Russian Research Institute for Civil Defense and Emergencies, Leading Researcher of the Research Center. 7 Davydkovskaya, Moscow, 121352, Russia. e-mail: ikshot@mail.ru SPIN-scientific — 7954-1764.
Vyalyshev Aleksandr I.: Doctor of Physical and Mathematical Sciences, All-Russian Research Institute for Civil Defense and Emergencies, Chief Researcher of the Research Center. 7 Davydkovskaya, Moscow, 121352, Russia. e-mail: vialyshev@rambler.ru SPIN-scientific — 1070-5547.
Dobrov Vladimir M.: All-Russian Research Institute for Civil Defense and Emergencies, Senior Researcher of the Research Center.
7 Davydkovskaya, Moscow, 121352, Russia. e-mail: dobrov0o7@mail.ru SPIN-scientific — 1235-0759.
Lyubin Yury N.: Candidate of Technical Sciences, JSC "Russian Space Systems", Lead Design Engineer. 53 Aviamotornaya, Moscow, 111250, Russia. e-mail: y.lyubin@mail.ru
Издания ФГБУ ВНИИ ГОЧС (ФЦ)
Авторы, название URL
Пискарев В.И. и др. Совершенствование гражданской обороны в Российской Федерации: Материалы Всероссийского совещания с руководителями федеральных органов исполнительной власти и органов исполнительной власти субъектов Российской Федерации по проблемам гражданской обороны и защиты населения и XIII научно-практической конференции «Совершенствование гражданской обороны в Российской Федерации», г. Ногинск, 6 июня 2018 г. https://elibrary.ru/item.asp?id=36778035
Кайнер Марко и др. Предупреждение и ликвидация чрезвычайных ситуаций в Арктике. Международная научно-практическая конференция. 18-20 июля 2018 года, г. Мурманск. Материалы конференции https://elibrary.ru/item.asp?id=36710837
Атлас безопасности автомобильных дорог городов-организаторов Чемпионата мира по футболу в 2018 году https://elibrary.ru/item.asp?id=30601348
Сосунов И.В. и др. Проблемные вопросы разработки перечня мероприятий по гражданской обороне, мероприятий по предупреждению чрезвычайных ситуаций природного и техногенного характера в составе проектной документации объектов капитального строительства. Монография http://elibrary.ru/item.asp?id=28414015
Пучков В.А. и др. Мы первыми приходим на помощь: литературно-художественный публицистический сборник https://elibrary.ru/item.asp?id=29281817
Акимов В.А. и др. Стандартизация в области гражданской обороны и защиты от чрезвычайных ситуаций: Монография. В 2-х т., т. I. https://elibrary.ru/item.asp?id=29741180
