CC BY
58
Секция ««Информатика и автоматизированные системы»
идей и методов, интерактивной системы обучения, а так же применение различных программ и использование различных симуляторов.
Целью магистерской диссертации является создание программы, которая позволит легко выбирать оптимальный маршрут движения воздушного судна с использованием нейронных сетей. Также система должна включать в себя расчет топлива при заправке воздушного судна с учетом выбранного маршрута. Это поможет летчику автоматизировать процесс создания плана полета и эффективно прокладывать маршрут от аэродрома вылета до аэродрома прилета.
Одним из наиболее перспективных направлений является использование нейросетей в авиационных тренажерах в качестве нейрорегуляторов, так как тренажеры предназначены прежде всего для обучения процесса управления [1]. Данная программа основывается на построении нейронной сети (НС) где сама НС [2] с точки зрения машинного обучения представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей - это многопараметрическая задача нелинейной оптимизации.
Таким образом используя нечёткую логику НС будет сконструирована модель пути движения ВС по определенному маршруту согласно обученной сети. В обучение сети могут входить такие случаи как погодные условия, выбор наискорейшего мар-
шрута, оптимальный путь маршрута и условия топлива.
Основным преимуществом является простота использования и наличие в системе искусственного интеллекта, который позволит анализировать ситуацию полета и на основании полученных данных пилот сможет принимать решение.
За стандарт схемы движения взята карта Jeppesen map. В свою очередь Jeppesen - американская компания, являющаяся одним из мировых лидеров на рынке обеспечения аэронавигационной информацией. Предоставляет также услуги по планированию полетов и образовательные услуги в области авиации, поэтому и был выбран данный пакет навигации.
Библиографические ссылки
1. Васильева В. И., Ильясова Б. Г., Кусимова С. Т. Нейрокомпьютеры в авиации (самолеты). М. : Радиотехника, 2004.
2. Бростилов А. Н., Годунов А. И., Деревянчук Д. М. Золотодобывающая Применение интеллектуальных технологий при разработке технических средств обучения авиационных специалистов. URL: http://www.mai.ru/conf/aerospace/internetconf/modules .php?name=Forums&file=viewtopic&t=235.
© Лазарев Е. В., Тынченко С. В., 2010
УДК 004.932.2
К. Э. Левтин Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ПРИМЕНЕНИЕ ВЕЙВЛЕТ-АНАЛИЗА К ДЕТЕКТИРОВАНИЮ ДЫМА НА ОТКРЫТЫХ ПРОСТРАНСТВАХ
Рассматривается метод визуального детектирования дыма, основанный на применении частотного анализа физических характеристик дыма как газообразного вещества, посредствам использования вейв-лет-преобразования кадров видеоизображения.
Выигрышность визуальных методов детектирования дыма при работе на открытых пространствах и в закрытых помещениях большой площади (складские помещения, ангары) основана на отсутствии применения химических реакций, взятия проб воздуха и, как следствие, использования дорогостоящих датчиков. Неоспоримым преимуществом визуальных методов детектирования дыма также является высокая скорость распознавания опасной ситуации, зависящая лишь от частоты смены кадров исследуемого видео потока, т. е. в среднем 0,1 с [3; 4].
Наилучшие результаты по точности детектирования дыма дают комбинированные визуальные методы, учитывающие как статические (например, цветовые), так и динамические характеристики исследуемого видео потока. К динамическим характеристикам в первую очередь относится геометриче-
ский контроль периметра и площади области с вероятным наличием задымления. Огонь и дым принадлежат к явлениям турбулентной природы [3] и, следовательно, обладают рядом характерных свойств. Хорошо известно, что частота пламеобразных вспышек при горении составляет приблизительно 10 Гц и мало зависит от его масштабов или вида сгораемого материала. Как результат, границы области задымления будут характеризоваться схожими частотными характеристиками, что на практике при обработке кадров исследуемого видео потока будет означать, что пиксель заданного цветового диапазона может включаться в область с вероятным наличием задымления или редуцироваться из нее несколько раз на протяжении одной секунды. Анализ частотных характеристик массива элементарных объектов изображения оптимально производить на основе вейвлетов [2;7].
Актуальные проблемы авиации и космонавтики. Информационные технологии
Разрабатываемый алгоритм выделения и сопровождения дымовых объектов в видео потоке частично основывается на идеях, изложенных в работах [1; 3; 4; 7], и состоит из пяти следующих шагов:
1. Определение движущихся объектов на текущем кадре исследуемого видео потока.
2. Текстурный анализ найденной области.
3. Анализ частотных характеристик изменения граничных точек исследуемой области на основе вейвлет-преобразований.
4. Проверка формы найденной области.
На первом шаге на текущем и предыдущем (фоновом) кадре видео потока выделяются движущиеся пиксели путем вычисления разницы значений каждого пикселя по цветовым каналам RGB [1]. На следующем шаге движущиеся пиксели проходят текстурный анализ по двум характеристикам. Во-первых, цветовая гамма исследуемых объектов должна быть переведена в оттенки серого цвета. Это особенно характерно для плотных скоплений дыма [3]. Во-вторых, из-за полупрозрачности области задымления векторы RGB сохраняют общую направленность, характерную для фонового изображения.
Элементарные объекты (пиксели) изображения, прошедшие контроль на предыдущих этапах, поступают на частотный анализ, для чего используется дискретного вейвлет-преобразование вида [4]:
^ (x, y) = \LHn (x, y)|2 +
+ \HLn (x, y) \2 + \HHn (x,y) f
где n - порядковый номер кадра исследуемого видео потока; x, y - координаты пикселя; LH, HL, HH -горизонтальный, вертикальный и диагональный коэффициенты изображения соответственно. Применив данное вейвлет-преобразование к исследуемому изображению, получим декомпозицию данного изображения по горизонтальному, вертикальному и диагональному коэффициентам. Для элементарного объекта изображения энергия en(x, y) равна wn(x, y). Стационарные пиксели изображение характеризуются тем, что энергии фонового пикселя en-1(x, y) и текущего пикселя en(x, y) должны быть равны и близки к нулю. Если же пиксель является граничным для области задымления, то будут наблюдаться характерные всплески в разнице значений энергии фонового и текущего пикселей. Это происходит из-за частого перехода такого рода пикселя из области задымления в область фона и наоборот. Точки изображения прошедшие контроль частотных характеристик составляют собой массив точек полигональной аппроксимации формы области с вероятным наличием дыма [5].
На последнем шаге происходит контроль формы найденной области на выпуклость. В некоторой степени упрощения область задымления представляет
собой выпуклый многоугольник, что следует из особенностей газообразной природы пара и дыма [6]. Область, прошедшая контроль по всем четырем шагам, с высокой вероятностью соответствует области задымления и сопровождается на изображении цветовыми маркерами.
Метод визуального детектирования дыма на основе вейвлет-преобразований обладает высокой степенью эффективности, поскольку использует для анализа главную отличительную особенность видео потока - наличие динамических характеристик искомой области. На данный момент разработана программная система визуального детектирования дыма, реализующая описанный алгоритм детектирования. Данный программный продукт позволяет на основе продукционной системы принятия решений создавать комбинированные методы визуального детектирования дыма. Этот механизм реализован не только за счет тонкой ручной настройки отдельных параметров, но также и за счет возможности добавлять или убирать отдельные модули процедур обработки из общего алгоритма анализа. Данный программный продукт является исследовательским, направленным на проведение экспериментов в области разработки наиболее оптимального алгоритма визуального детектирования дыма.
Библиографические ссылки
1. Гибсон У. Распознавание образов. М. : АСТ : Транзиткнига, 2006.
2. Грибунин Б., Воробьев А. Теория и практика вейвлет-преобразований. М. : Военный университет связи, 1999.
3. Левтин К. Э. Блочно-текстурный метод детектирование дыма в видеопоследовательностях // ТиПВСИТ. Улан-Удэ, 2009. С. 248-250.
4. Левтин К. Э. Детектирование дыма в видео потоках на основе вейвлет-преобразования // Ре-шетневские чтения : материалы XIII Междунар. науч. конф. ; Сиб. гос. аэрокосмич. ун-т. Ч. 2. Красноярск, 2009. С. 514-515.
5. Лукьяница А. А., Шишкин А. Г. Блочно-текстурный метод выделения дыма на видеоизображениях // Graphicon. М. : Изд-во МГУ, 2007. С. 72-75.
6. Vezzani R., Calderara S. Smoke Detection in Video Surveillance: the Use of ViSOR (Video Surveillance On-line Repository) // EUSIPC0-2005, Poland, 2007. Р. 540-543.
7. Xiong Z., Caballero R. Video-based Smoke Detection: Possibilities, Techniques, and Challenges // SUP-DET-2007, Orlando, Florida, 2007. P. 157-164.
© Левтин К. Э., Фаворская М. Н., 2010
