Штучний інтелект

Науковий журнал

ISSN 2710-1673

ONLINE: ISSN 2710-1681

Шукати за:

Роком видання
Автором
Назвою статті

Відтворення 3D-моделей швидкоплинних процесів руйнівного характеру за допомогою дистанційного зондування групою безпілотних літальних апаратів

Шерстюк В.Г.1, Жарікова М.В.1, Доровська I.O.1, Чорний Д.О.1, Романцов В.В.1, Козуб Н.О.1, Гусєв М.B.1, Сокол І.В.1
1 Херсонський національний технічний університет
vgsherstyuk@gmail.com
http://orcid.org/0000-0002-9096-2582http://orcid.org/0000-0001-6144-480Xhttp://orcid.org/0000-0001-5990-0992http://orcid.org/0000-0001-5323-5071http://orcid.org/0000-0002-5897-1809http://orcid.org/0000-0002-0406-0161

Повний текст (PDF)

УДК: 004.93
Мова публікації: Англійська
Stuc. intelekt. 2022; 27; (1):311-324

Анотація: У статті представлено новий метод об’ємної реконструкції швидкоплинних руйнівних процесів за допомогою дистанційного зондування групою безпілотних літальних апаратів. Дослідження виконано на прикладі найпоширенішого класу таких процесів - лісових пожеж, де фронт вогню є детермінантом, а його рух відображає динаміку процесу. Вплив вітру, диму та вогню, турбулентність та вібрації, перешкоди, викривлення та спотворення призводять до невизначеності спостережень, для подолання якої було об’єднано нечіткі й м’які множини та «сірі» числа. Запропоновано просторову модель, засновану на рекурсивному восьмиелементному поділі простору та ієрархічній структурі віртуальних комірок, що дозволило вирішити протиріччя між точністю та швидкістю реконструкції. Визначено множину можливих станів віртуальних комірок та запропоновано алгоритм їх класифікації, заснований на використанні п'ятиканальної системи розпізнавання зображень, що містить інфрачервоний, два основних і два додаткові оптичні канали. Запропоновано алгоритм, що обчислює тривимірний вектор спостереження, поданий масивом векторів впевненості, за допомогою якого визначають сірий нечіткий стан віртуальних комірок, що дозволяє поєднувати спостереження від різних спостерігачів та послідовно їх уточнювати. Місцевість, де розвивається процес, подано м’якою сірою нечіткою множиною віртуальних комірок, які відносяться до певного стану на момент розгляду, що дозволяє визначити переконливий, невизначений, підозрілий та негативний компоненти. Перший з них подає стабільне ядро фронту вогню, а другий - його змінну, викликану невизначеністю спостережень. Запропонований метод дозволяє відтворювати швидкоплинні просторово-розподілені процеси й інших класів, згладжуючи ефекти спотворень і шумів при спостереженні та забезпечуючи прийнятну продуктивність.

Ключові слова: безпілотний літальний апарат, спостереження з багатьох точок, невизначеність, обробка зображень, фронт вогню, віртуальні комірки, сіра нечітка м'яка множина.

Посилання:

  1. Shen, G., Zhou, L., Wu, Y., Cai, Z. (2018). A global expected risk analysis of fatalities, injuries, and damages by natural disasters. Sustainability 10(7), 2573. https://doi.org/10.3390/su10072573.
  2. Newman, J., Maier, H., Riddell, G., Zecchin, A., Daniell, J., Schaefer, A., van Delden, H., Khazai, B., O'Flaherty, M., Newland C. (2017). Review of literature on decision support systems for natural hazard risk reduction: current status and future directions. Env. modeling & software 96(C), 378–409. https://doi.org/10.1016/j.envsoft.2017.06.042.
  3. Yuan, C., Liu, Z., Zhang, Y. (2017). Aerial images–based forest fire detection for firefighting using optical remote sensing techniques and unmanned aerial vehicles. J. Intel. & Robotic Syst. 88, 635–654. https://doi.org/10.1007/s10846-016-0464-7.
  4. Merino, L., Martínez de Dios, J., Ollero, A. (2015). Cooperative Unmanned Aerial Systems for Fire Detection, Monitoring, and Extinguishing. In: Valavanis K., Vachtsevanos G. (eds) Handbook of Unmanned Aerial Vehicles, pp. 2693–2722. https://doi.org/10.1007/978-90-481-9707-1_74.
  5. Sherstjuk, V., Zharikova, M., Dorovskaja, I., Sheketa, V. (2020). Assessing Forest Fire Dynamics in UAV-Based Tactical Monitoring System. In: Babichev, S., Lytvynenko, V., Wojcik, W., Vyshemyrskaya, S. (eds) Advances in Intelligent Systems and Computing 1246, 285–301. https://doi.org/10.1007/978-3-030-54215-3_18.
  6. Sherstjuk, V., Zharikova, M., Dorovskaja, I. (2020). 3D Fire Front Reconstruction in UAV-Based Forest-Fire Monitoring System. In: Proc. of IEEE Third International Conference on Data Stream Mining & Processing (DSMP), pp. 243–248. https://doi.org/10.1109/DSMP47368.2020.9204196.
  7. Mendez, O., Hadfield, S., Pugeault, N., Bowden, R. (2017). Taking the Scenic Route to 3D: Optimising Reconstruction from Moving Cameras. In: 2017 IEEE Int. Conf. on Computer Vision (ICCV), Venice, pp. 4687–4695. https://doi.org/10.1109/ICCV.2017.501.
  8. Scott, W.R., Roth, G., Rivest, J.-F. (2003). View planning for automated three-dimensional object reconstruction and inspection. ACM Computing Surveys 35(1), 64–96. https://doi.org/10.1145/641865.641868.
  9. Galliani, S., Lasinger, K., Schindler, K. (2015). Massively Parallel Multiview Stereopsis by Surface Normal Diffusion. In: 2015 IEEE Int. Conf. on Computer Vision (ICCV), Santiago, pp. 873–881. https://doi.org/10.1109/ICCV.2015.106.
  10. Isler, S., Sabzevari, R., Delmerico, J., Scaramuzza, D. (2016). An information gain formulation for active volumetric 3D reconstruction. In: 2016 IEEE Int. Conf. on Robotics and Automation (ICRA), Stockholm, pp. 3477–3484. https://doi.org/10.1109/ICRA.2016.7487527.
  11. Vasquez-Gomez, J., Sucar, L., Murrieta-Cid, R., Lopez-Damian, E. (2014). Volumetric Next-Best-View Planning for 3D Object Reconstruction with Positioning Error. Int. J. of Advanced Robotic Syst. 11(10), 1–13. https://doi.org/10.5772/58759.
  12. Alon, N., Spencer, J. (2016). The Probabilistic Method. Wiley, New York, 4th. ed.
  13. Zadeh, L.A. (1965). Fuzzy sets. Information and Control 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X.
  14. Pawlak, Z. (1982). Rough sets. Int. J. of Computer & Information Sciences 11(5), 341–356. https://doi.org/10.1007/BF01001956.
  15. Molodtsov, D. (1999). Soft Set Theory – first results. Comput. and Math. with Appl. 37, 19–31. https://doi.org/10.1016/S0898-1221(99)00056-5.
  16. Liu, S., Lin, Y. (2006). Grey Numbers and Their Operations. In: Grey Information. Advanced Information and Knowledge Processing, pp 23-43. https://doi.org/10.1007/1-84628-342-6_2.
  17. Yamaguchi, D., Li, G.-D., Chen, L.-C., Nagai, M. (2007). Reviewing crisp, fuzzy, grey and rough mathematical models. In: Proc. of 2007 IEEE Int. Conf. on Grey Systems and Intelligent Services, Nanjing, China, pp. 547–552. https://doi.org/10.1109/GSIS.2007.4443334.
  18. Hornung, A., Wurm, K., Bennewitz, M., Stachniss, C., Burgard, W. (2013). Octomap: An efficient probabilistic 3d mapping framework based on octrees. Autonomous Robots 34(3), 189–206. https://doi.org/10.1007/s10514-012-9321-0.
  19. James, M. (2014). Flame and smoke estimation for fire detection in videos based on optical flow and neural networks. Int. J. of Research in Eng. and Technology 3(8), 324–328. https://doi.org/10.15623/ijret.2014.0308050.
  20. Chen, T., Yin, Y., Huang, S., Ye, Y. (2006). The smoke detection for early fire-alarming system based on video processing. In: Proc. of 2006 Int. Conf. on Intelligent Information Hiding and Multimedia, Pasadena, CA, pp. 427–430. https://doi.org/10.5555/1193214.1193962.
  21. Luo, Y., Zhao, L., Liu, P., Huang, D. (2018). Fire smoke detection algorithm based on motion characteristics and convolutional neural networks. Multimedia Tools Appl. 77(12), 15075–15092. https://doi.org/10.1007/s11042-017-5090-2.
  22. Bugaric, M., Jakovcevic, T., Stipanicev, D. (2015). Computer Vision Based Measurement of Wildfire Smoke Dynamics. Advances in Electrical and Computer Engineering 15(1), 55–62. https://doi.org/10.4316/AECE.2015.01008.
  23. Qiang, Y., Pei, B., Zhao, J. (2014). Forest Fire Image Intelligent Recognition based on the Neural Network. J. of Multimedia 9(3), 449–455. https://doi.org/10.4304/jmm.9.3.449-455.
  24. Maturana, D., Scherer, S. (2015). VoxNet: A 3D Convolutional Neural Network for real-time object recognition. In: Proc. of 2015 IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS), Hamburg, pp. 922–928. https://doi.org/10.1109/IROS.2015.7353481.
  25. Qian, G., Wang, H., Feng, X. (2013). Generalized hesitant fuzzy sets and their application in decision support system. Knowledge-Based Syst. 37, 357–365. https://doi.org/10.1016/j.knosys.2012.08.019.
  26. Wang, Y, Dang, L, Ren, J. (2019). Forest fire image recognition based on convolutional neural network. J. of Algorithms & Computational Technology 13, 1–11. https://doi.org/10.1177/1748302619887689.
  27. Tang, C., Wu, J., Hou, Y., Wang, P., Li, W. (2016). A Spectral and Spatial Approach of Coarse-to-Fine Blurred Image Region Detection. IEEE Signal Processing Letters 23(11), 1652–1656. https://doi.org/10.1109/LSP.2016.2611608.

Переглянути повний текст статті (PDF)