Обнаружение птиц: как нейросеть помогает избежать столкновения самолета с птицами при взлете и посадке
Распознавание птиц (сельское хозяйство)
Еще одна из возможностей применения нейросети
Проблема
5 400 раз в год самолеты и вертолеты сталкиваются с птицами (по данным Международной организации гражданской авиации).
За 25 лет из-за столкновений пострадали 160 самолетов и погибли 200 человек
5 400 раз в год самолеты и вертолеты сталкиваются с птицами (по данным Международной организации гражданской авиации).
За 25 лет из-за столкновений пострадали 160 самолетов и погибли 200 человек
Панорамная камера замечает птиц и передает данные на сервер по Wi-Fi. На сервере наш алгоритм распознает предметы, которые похожи на птиц. Если они обнаружены, поворотная камера автоматически наводится на предметы по координатам и увеличивает картинку. Если это действительно птицы, алгоритм определяет их размер, количество, направление движения и степень угрозы для самолетов. В случае опасности сигнал поступает оператору.
Решение
В аэропортах есть сотрудники, которые отслеживают птиц с биноклем или с помощью камер, установленных в точке отрыва самолета от полосы. Эти методы трудоемки и малоэффективны, поэтому мы создали систему, которая автоматически обнаруживает и предупреждает о птицах перед самолетом.
В аэропортах есть сотрудники, которые отслеживают птиц с биноклем или с помощью камер, установленных в точке отрыва самолета от полосы. Эти методы трудоемки и малоэффективны, поэтому мы создали систему, которая автоматически обнаруживает и предупреждает о птицах перед самолетом.
Что умеет система
Технологии
Мы использовали язык программирования — Python и С++. Библиотеки машинного обучения — Tensor Flow, Keras, Numpy, pandas, а также инструменты создания веб-интерфейсов — это HTML и C.
Нюансы проекта
Для работы системы важно учесть три момента:
нужен монтаж камер с возможностью обзора взлетно-посадочной полосы;
питание для камер в точке монтажа;
интернет со скоростью 1 гБит в точке установки сервера.
Второй нюанс: пока что система работает только в ясную погоду. Ночью или в сильный туман обычная камера не замечает объекты, однако это решается использованием камер с тепловизором.
Развитие
На следующих этапах мы планируем добавить возможность отпугивания птиц с помощью ультразвука.
- Выявлять птиц в опасной зоне в воздухе и на земле
- Определять параметры: расстояние до птиц, направление движения, количество, размер, действия птиц на земле и в воздухе
- Автоматически подавать сигнал, если птицы в опасной зоне
- Выводить изображение на монитор оператора
Технологии
Мы использовали язык программирования — Python и С++. Библиотеки машинного обучения — Tensor Flow, Keras, Numpy, pandas, а также инструменты создания веб-интерфейсов — это HTML и C.
Нюансы проекта
Для работы системы важно учесть три момента:
нужен монтаж камер с возможностью обзора взлетно-посадочной полосы;
питание для камер в точке монтажа;
интернет со скоростью 1 гБит в точке установки сервера.
Второй нюанс: пока что система работает только в ясную погоду. Ночью или в сильный туман обычная камера не замечает объекты, однако это решается использованием камер с тепловизором.
Развитие
На следующих этапах мы планируем добавить возможность отпугивания птиц с помощью ультразвука.
Разработка систем
для бизнеса на основе искуственного интеллекта
для бизнеса на основе искуственного интеллекта
От анализа данных до внедрения AI-решений. Максимальная точность, оптимизация и поддержка
Сроки
Проект состоял из семи этапов. На первом мы научили систему определять птиц, на последнем — запустили и доработали ошибки.
Проект состоял из семи этапов. На первом мы научили систему определять птиц, на последнем — запустили и доработали ошибки.
Команда
Команда пилотного проекта состояла из трех человек: программиста машинного обучения и нейронных сетей, DevOps и менеджера проекта.
Команда пилотного проекта состояла из трех человек: программиста машинного обучения и нейронных сетей, DevOps и менеджера проекта.