Файл: Система мониторинга пожарной и медико экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов.pdf

31
 
 
 
,
2
Pr
t
A
t
t


где граница дымового контура выражается переменной Pr(t), а площадь дыма в пространственной системе координат – переменной A(t).
Динамические характеристики продуктов горения, распространяемых в атмосфере, представляют собой ключевую сферу анализа пожарной и экологической обстановки, так как именно они выполняют роль индикаторов очагов пожара [102, 111]. При выявлении языков пламени природных пожаров следует руководствоваться отдельными пространственными моделями, отображающими красный цвет огня с учетом его цветотональных особенностей.
Для идентификации тоновых оттенков пламени можно пользоваться набором следующих математических формул:


,
3 1
B
G
R
I







,
,
,
min
3 1
B
G
R
B
G
R
S




,
360 0








G
B
если
G
B
если
H

 




 


,
5
,
0
cos
2 1


















B
G
B
R
G
R
B
R
G
R
где синий, красный и зеленый цвета выражаются переменными B, R и G, а переменные I, H и S выражают свойства интенсивности, тональности и степень выраженности определенного цвета соответственно.
«Двигательные» характеристики пламени имеют меньшую динамику по сравнению с дымом, что говорит о нецелесообразности применения математического аппарата соответствия блоков в целях мониторинга

32 распространения огня. Учитывая вышеизложенное, наиболее оптимальным вариантом обнаружения пламени следует рассматривать метод оценки оптического потока, что подтверждено научными исследованиями в работах
[103, 106].
Известно, что существующие средства обнаружения пожаров, созданные на базе IP-видеокамер, не могут в полной мере считаться эффективными ввиду сложности воспроизведения изображений в темное время суток или при очень ярком освещении. Частично эту проблему снимает использование алгоритмов теории цветовой константности зрения (ретинекса), согласно которым учитывается вариативность цветового ощущения при одновременной вариативности окружающего фона. В данном случае входная информация, представленная красным, зеленым и синим цветовыми изображениями, интегрируется в значения всех пикселей на снимках и позволяет произвести оценку их отражения в каждой точке.
Используя алгоритмы SSR и MSR, можно добиться воспроизведения кадров однотонного формата, отображая таким образом снимки в хорошем качестве даже при слабом или наоборот слишком ярком освещении. В целом выравнивание освещенности можно представить следующим тождеством [69]:


 



  


,
y
,
x
I
,
y
,
x
F
log
y
,
x
I
log
,
y
,
x
R
i
i
i





где i-й набор изображений в оттенках серого, представляющих с учетом коэффициента масштабирования ϭ спектр тональных значений в системе координат переменных x и y, выраженных в свертке * с гауссовой функцией входной функции цветовых снимков I
i
(x, y
). При этом гауссову функцию F(x, y, ϭ) можно определить так [69]:


2 2
2
,
,











y
x
Ke
y
x
F
,

33 где коэффициент К должен быть реализован в соответствии с представленным ниже уравнением
[69]:






y
x
dxdy
y
x
F
,
1
,
,
,
в котором совокупность элементов растрового изображения выражается множеством Ω
x
,y
В таком случае весовая функция многомерной системы i-го набора изображений в оттенках серого



,
,
,
w
y
x
R
i
M
может быть выражена в виде арифметической совокупности выходных функций, рассматриваемых в трех цветовых каналах [69]:









1
,
,
,
,
,
n
n
i
n
M
y
x
R
w
w
y
x
R
i
, где w=(w
1
,w
2
,…,w
N
)
– весовой вектор одномерных выходных функций i-го цветового канала R
i
(x,y,
); =(
1
,

2
,…,
N
)
– вектор масштабов одномерных выходных функций, n=1, 2, …, N [69].
Применение алгоритмов цветопостоянства повышает качество, но не полностью исключает возможность цветовых искажений кадров по причине того, что микроучастки растровых изображений подвержены процедуре «усреднения» значений, принимая цветовую гамму тех пикселов, которые расположены рядом.
Поэтому требуется последующая корректировка в соответствии с математическим выражением [69]:



 

b
y
x
I
w
y
x
R
b
w
y
x
R
i
M
M
i
i
,
,
,
,
,
,
,
,
,
'
'




,

34 согласно которому выравненная яркость снимка I

i
(x, y, b)
с учетом усредненного коэффициента с (в интервале 100-125) может быть определена следующим уравнением:


 
 
,
,
,
1
log
,
,
3 1
'


















i
i
i
i
y
x
I
y
x
I
c
b
y
x
I
где c – коэффициент, выбираемый из середины диапазона значений [0…255], c=100

125, согласно которому отдельно происходит установление очага возгорания и отдельно – распространение дыма [69].
Наиболее подходящими подходами, используемыми для распознавания огня и дыма, следует считать методы регрессионного анализа, марковских цепей и машинного обучения на основе нейросетей [51].
О методах распознавания развития пожарной обстановки опубликовано значительное количество отечественных и зарубежных работ. В данной работе остановимся поподробнее на одном из перспективных подходов, основывающихся на исследовании клеточных автоматов [2, 57, 59, 60, 67].
Мониторинг пожара внутри зданий и сооружений представляет собой процесс, не менее сложный с технической и организационной точек зрения, нежели аэромониторинг. При этом для облегчения визуального анализа оперативной пожарной обстановки на объектах защиты применяются подходы, предусматривающие их разделение на определенные секторы и зоны контроля. На данных участках в дистанционной форме осуществляется постоянная оценка изменений параметров и динамики опасных факторов. Наблюдение происходит одновременно за несколькими параметрами, что позволяет прогнозировать и своевременно реагировать на возникающие угрозы и потенциальные риски вторичных проявлений опасных факторов пожара. Одним из наиболее

35 подходящих математических инструментов и теоретической базой указанных разработок, которые следует отметить, является теория клеточных автоматов, на основе которой выстроена система дифференциальных уравнений, отображающая взаимосвязь зон контроля и параметров внутриобъектового мониторинга пожарной обстановки. Далее приведены формулы, формулирующие взаимодействие элементов системы мониторинга пожара р на начальных и смежных участках контроля соответственно:
 
 
 




;
exp
1 0
0 0
0










Z
p
p
p
p
(1.1)
 
 
 
 
,
exp
1
,...,
1
;
,...,
1
;
,...,
1
;
0

































s
i
j
i
j
s
i
j
i
s
i
i
j
i
j
j
n
Z
n
p
n
p
p
p
(1.2) где параметром пожарного мониторинга выступает величина p(τ); его первичным значением – p
0
, а критическим – величина p*; коэффициентом взаимодействия между участками контроля i и j выступает переменная n
i;j
; число зон контроля определяется величиной s, а показатель интенсивности изменений показателей опасности в зоне j выражен величиной Z
j
Определить коэффициент n возможно следующим уравнением:



k
j
j
n
n
,...
,
2
,
1 1
(1.3)
где коэффициентом взаимодействия n для клеток окрестности, в k-том количестве присутствующих в клеточном автомате, выступает величина n
j
. Структурные

36 особенности и размер клеток автомата устанавливают граничные значения величины коэффициента n [59].
Моделирование динамики физико-химических параметров развития очагов возгорания по температурному T фактору формулируется следующим выражением:
,
,
,
1
,
0 0
0













T
T
p
p
p
(1.4) а моделирование изменений параметров развития пожара по потере видимости Ω можно описать последовательностью вида:
,
,
,
0
,
0 0
0













p
p
p
(1.5) где изменения показателей видимости характеризуются функцией ξ; изменения температурных показателей функцией β; исходное значение температуры дыма, измеряемое в Кельвинах, выражается величиной T
0
; исходное значение видимости в дыму, измеряемое в метрах, выражается величиной Ω
0
Внутриобъектовый пожарный мониторинг предусматривает не только рассмотрение характерных признаков структуры клеточного автомата, но и цифровой анализ изменений параметров развития очага посредством интеллектуальных систем поддержки. Анализ структуры автоматов на начальном этапе предполагает выбор участков контроля и параметров динамики и мониторинга возгораний посредством описания их показателей набором дифференциальных уравнений. Последующая цифровая обработка заключается в использовании зависимостей, отображающих взаимосвязь изменений критических величин, характеризующихся термометрическими и визуальными значениями, и применением функций, отображающих временную оценку мониторинга пожара следующей последовательностью [59]:

37
     
 







i
i
i
i
T
,
,
,
Таким образом, в современных системах обнаружения пожаров и прогнозирования пожарной обстановки используются достаточно сложные математические модели, включая технологию искусственного интеллекта.

38 также основные детали и их конкретные особенности. Данный аналитический материал должен быть определен совокупностью нормативно-технической документации, документов предварительного планирования объекта защиты и результаты проведенной разведки пожара. Все эти сведения должны разрабатываться сотрудниками, с учетом их опыта и полученных знаний в области пожаротушения, а также непосредственно руководителем тушения пожара.
В нашей стране вопросами информационной поддержки принятия решений при тушении пожаров до последнего времени занимался довольно узкий круг научных кадров. Данный факт можно объяснить тем, что процедура принятия управленческих решений при руководстве пожаротушением непосредственно на месте пожара достаточно сложна и многогранна и должна сопровождаться с учетом внешних факторов, влияющих как на технико-технологическую составляющую тушения пожара, так и на качественный процесс работы личного состава пожарного подразделения.
С точки зрения основ информатики управление – это процесс переработки информации [57, 103]. Руководитель тушения пожара (РТП) на месте пожара выполняет роль информационно-аналитического центра, координирующего потоки информации, протекающие между участниками пожаротушения. В процессе управления на месте пожара вся поступающая и передаваемая информация требует постоянного скрупулезного оценивания и анализа, вне зависимости от еѐ формы, содержания, а также источников и каналов передачи.
Кроме того, профессиональная работа РТП изобилует множеством различных стрессоров: экстремальные ситуации, неопределенность на этапах выработки и контроля выполнения принимаемых решений, а также персональная ответственность за качество осуществляемых личных действий и действий всех участников тушения пожара (нарушение должностных инструкций, правил охраны труда и т.д.).
Процесс управления оперативными подразделениями на месте пожара представляет собой алгоритм, состоящий из трансформации различной