Исследования в области совершенствования технологий автоматизированного детектирования объектов

1.

МИНИСТЕРСТВО РОССИЙСКОЙ ФЕДЕРАЦИИ ПО ДЕЛАМ
ГРАЖДАНСКОЙ ОБОРОНЫ, ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ И
ЛИКВИДАЦИИ ПОСЛЕДСТВИЙ СТИХИЙНЫХ БЕДСТВИЙ
Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
«Исследования в области совершенствования технологий
автоматизированного детектирования объектов на основе данных
дистанционного зондирования Земли»
(п. 10.1 раздела II Плана научно-исследовательских и опытноконструкторских работ в области гражданской обороны,
предупреждения и ликвидации чрезвычайных ситуаций, обеспечения
пожарной безопасности, преодоления последствий радиационных
аварий и катастроф на 2023 год и на плановый период 2024 и 2025
годов, утвержденного приказом МЧС России
от 24 января 2023 года №44.)
Докладчик:
старший научный сотрудник
подполковник внутренней службы
кандидат технических наук, доцент
Вытовтов Алексей Владимирович

2.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
2

3.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
3
НИР «Автоматизированная обработка данных ДЗЗ»
Целью выполнения настоящей научно-исследовательской работы является
разработка научно обоснованных подходов по формированию методики
автоматизированного мониторинга зон паводка с беспилотного воздушного судна.
Разработка математической модели обнаружения на основе использования
искусственных нейронных сетей и ее программная реализация.
Результаты НИР влияют на выполнение целевого индикатора и показателя: доля
оправдавшихся прогнозов чрезвычайных ситуаций, подготовленных системой
мониторинга и прогнозирования чрезвычайных ситуаций, в общем количестве
прогнозов чрезвычайных ситуаций (достоверность прогноза). Утвержденного
государственной программой Российской Федерации «Защита населения и территорий
от чрезвычайных ситуаций, обеспечение пожарной безопасности и безопасности
людей на водных объектах». Утверждена постановлением Правительства Российской
Федерации от 15 апреля 2014 г. № 300 (в редакции постановления Правительства
Российской Федерации от 27 марта 2020 г. № 357).

4.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
4
Для достижения указанной цели НИР решена следующая задача:
анализ возможных сценариев развития ЧС и методов визуальной идентификации
объектов.
Выполнен в виде подразделов НИР:
- Анализ показателей паводкоопасной обстановки на территории Воронежской
области;
- Анализ возможных сценариев развития ЧС на примере Воронежской области;
- Анализ геоинформационных систем, реализующих визуальную
идентификацию чрезвычайных ситуаций.
1. Королев Д.С., Вытовтов А.В., Рябущенко А.С., Русских Д.В. Анализ показателей
паводкоопасной обстановки на территории Воронежской области за период с 2013
по 2023 год / Д.С. Королев, А.В. Вытовтов, А.С. Рябущенко, Д.В. Русских //
Техносферная безопасность. – 2023. – № 2 (39). – С. 112-122;
2. Вытовтов А.В., Королев Д.С., Куприенко П.С., Русских Е.А. Статистический
анализ чрезвычайных ситуаций природного характера в мире и на территории
Российской Федерации / Д.С. Королев, А.В. Вытовтов, П.С. Куприенко, Е.А.
Русских // Техносферная безопасность. – 2023. – № 3 (40). – С. 131-138;

5.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
ИДЕНТИФИКАЦИЯ РАЗЛИВА ВОДЫ НА ДАННЫХ
ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
5

6.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
Для достижения указанной цели НИР решена следующая задача:
разработка информационного блока для обучения искусственной
нейронной сети, идентифицирующей объекты в зоне ЧС.
6

7.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
7
ОБУЧЕНИЕ ИСКУСТВЕННОЙ НЕЙРОННОЙ СЕТИ
Общая трудоемкость научно-исследовательской работы 5880,5 часа.
Списочная численность исполнителей 9 человек.
Плановые показатели трудозатрат на разметку данных по дорожной карте выполнения
НИР предусматривают использование труда 5 человек в течении 840 часов.
Фактически были задействованы ресурсы 8 человек с суммарной трудоемкостью более
2000 часов. Работы по созданию набор данных обучения (data set) производились
в течении 5 месяцев.

8.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
ФОРМИРОВАНИЕ ОБУЧАЮЩЕЙ ВЫБОРКИ ДЛЯ
ИСКУСТВЕННОЙ НЕЙРОННОЙ СЕТИ
8

9.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
9
ОБУЧЕНИЕ ИСКУСТВЕННОЙ НЕЙРОННОЙ СЕТИ
Обучающая выборка ортофотопланов
25%
48%
24%
3%
Osnovnaia gruppa
Starting sample
Control sample
Additional training
В группу Starting sample вошли исходные данные для двух ортофотопланов,
состоящие из 1096 последовательных фото снимков с размером 5472х3078 пикс.,
полученных с беспилотной авиационной системы

10.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
10
Сводные данные по размеру обучающей выборки, детализирующие
материалы, используемые для программирования искусственной
нейронной сети, представлены в таблице:
№
1.
2.
3.
3.1
3.2
3.3
4.
Группа обучающей
выборки
Часть от общего
объема, %
Количество
ортофотопланов, шт.
Количество
фрагментов, шт.
Starting sample
0,012121212
2
1096
Osnovnaia gruppa
0,490909091
81
2916
Additional training
0,278787879
46
1242
Iteration 1
0,090909091
15
300
Iteration 2
0,090909091
15
645
Iteration 3
0,096969697
16
448
Control sample
0,218181818
36
1836
Всего
100
165
8483

11.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
11
ОБУЧЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
Контрольная группа итерации дополнительного
обучения
25%
26%
8% 10%
8%
49%
Osnovnaia gruppa
Control sample
Iteration 1
Iteration 2
Iteration 3

12.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
12
Для достижения указанной цели НИР решена следующая задача:
разработка математической модели и алгоритмов автоматизированной
идентификации объектов в зоне ЧС;
Подбор наиболее эффективных нейронных сетей для идентификации воды на
растровых изображениях из имеющихся пакетных решений:
1. Использование архитектуры сверточных нейронных сетей LeNet5;
2. Использование архитектуры сверточных нейронных сетей AlexNet;
3. Возможности архитектуры сверточных нейронных сетей VGGNet;
4. Возможности архитектуры сверточных нейронных сетей ResNet;
5. Возможности архитектуры сверточных нейронных сетей DenseNet.
Зарубежный опыт в области детектирования
дистанционного зондирования Земли
объектов
на
данных
1. Chen F. et al. Soft-NMS-enabled YOLOv5 with SIOU for small water surface floater
detection in UAV-captured images //Sustainability. – 2023. – Т. 15. – №. 14. – С.
10751. (Китай)
2. Bajić Jr M., Potočnik B. UAV Thermal Imaging for Unexploded Ordnance Detection
by Using Deep Learning //Remote Sensing. – 2023. – Т. 15. – №. 4. – С. 967.
(Словения)

13.

Воронежский институт повышения квалификации
сотрудников ГПС МЧС России
13
МАТЕМАТИЧЕСКАЯ МОДЕЛЬ НЕЙРОННОЙ СЕТИ
Сверточные нейронные сети