Новый беспилотник научился отслеживать объект и снимать в режиме реального времени

«СТОПДРОН» – защита от беспилотных летательных аппаратов

Популярность и доступность дронов стремительно растёт. В период с 2013 по 2018 рынок дронов увеличился в семь раз в мире и в десять раз в России.

По вашему запросу специалисты компании СТОПДРОН проведут аудит маловысотной безопасности:

  • Оценят уровень угрозы вторжения беспилотников, сценарии дрон-инцидентов и масштаб возможного ущерба
  • С использованием собственного оборудования выполнят натурные испытания на вашем объекте
  • Определят места установки и необходимое количество устройств обнаружения и подавления беспилотников
  • Проверят совместимость элементов системы с установленными на объекте устройствами
  • Выявят области затенения, степень зашумления эфира и наиболее опасные направления
  • Сформируют сводное заключение – степень защищённости объекта при установке на нём той или иной системы защиты от дронов
  • Помогут разработать регламент действий сотрудников службы безопасности при вторжении беспилотников в воздушную зону объекта
  • Подготовят комплект документов для руководства: составят план-схему развертывания системы защиты от БПЛА в одном-двух вариантах с рамочными сметами

Каждый объект индивидуален по своим характеристикам: площадь, форма периметра, рельеф, плотность застройки внутри территории и за её пределами. Также играет роль наличие беспроводных коммуникаций, радиомостов, прочих приёмопередающих устройств. Особое значение имеет режим безопасности объекта, расположение наиболее важных и уязвимых его участков. Всё это должно быть учтено при проектировании системы защиты от дронов.

СТОПДРОН – ваш консультант по новому аспекту безопасности.
Защита от дронов для вашего объекта – внятно, доступно, в цифрах.

«СТОПДРОН-СТАЛКЕР» — это автономная система противодействия беспилотным летательным аппаратам.

Система представляет собой подавитель дронов, оснащённый радиочастотным детектором и автоматическим пультом управления. При обнаружении беспилотника радиодетектором система переходит в режим активного подавления, формируя защитный купол.

После нейтрализации угрозы система возвращается в дежурный режим пассивного сканирования.

Состав Радиодетектор купольно-кругового действия Подавитель купольно-кругового действия с блоком круговых и секторальных антенн Пульт оператора / звено автоматического включения подавителя Сопутствующие элементы: витая пара, IP-реле, роутер
Конфигурация Масштабируемая: 1 / 2 / 3 и более функциональных пар «Детектор-Подавитель» на 1 пульт оператора
Питание подавителя 220В, 3 кВт
Коммутация / питание детектора Ethernet / PoE+ 802.3at
Общий вес 37 кг (без блока антенн подавителя)
Обнаруживаемые беспилотники 87% коммерческих БПЛА, представляющих угрозу объектам
Радиус действия 500-700 метров

«СТОПДРОН-СТАЛКЕР» — это самое простое в эксплуатации, самое малозаметное и самое выгодное по стоимости решение для защиты объектов от БПЛА.

Узнать больше о «СТОПДРОН-СТАЛКЕР»

Портативный направленный прерыватель сигнала «СТОПДРОН-СТИЛЕТ» – это прибор российской разработки для блокировки радиочастот управления, телеметрии, видеопотока и спутниковой навигации квадрокоптеров. Дальность подавления может достигать 400 метров и зависит от близости и мощности пульта управления дрона.

Режимы нейтрализации:

  • «Подавление с возможностью ухода». В данном режиме дрон зависает на месте в луче прерывателя сигнала и через несколько секунд включает программу автоматического возврата на точку старта.
  • «Полное подавление и принудительная посадка». В данном режиме пилот полностью утрачивает контроль над дроном. Беспилотник теряет возможность навигации по спутникам и через короткий промежуток времени начинает принудительно снижаться.
Подавляемые каналы 1,5 – 1,62 ГГц 2,4 ГГц 5,8 ГГц
Дальность действия До 400 м
Угол луча 30° по азимуту, 30° по углу места
Встроенный элемент питания 12В, 2.5А, 5100 мА/час
Время непрерывной работы До 1 часа
Размеры 450 мм х 100 мм х 70 мм
Вес 2,9 кг

Запросить цену «СТОПДРОН-СТИЛЕТ»

Комплекс «СТОПДРОН-КОМПАКТ» представляет собой переносное сверхлёгкое устройство для направленного подавления беспилотников.

Комплекс выполнен в виде ручного металлодетектора, что гарантирует его малозаметность и упрощает его транспортировку.

«СТОПДРОН-КОМПАКТ» формирует в воздушном пространстве конусообразный луч, при наведении которого на беспилотник последний будет принуждён к посадке / уходу на точку взлёта.

Подавляемые каналы и их выходная мощность 2400~2483МГц – 8Вт 5725~5850МГц – 2 Вт 1559~1616МГц – 5 Вт
Усиление антенн 10 dBi для канала 2400~2483МГц 9 dBi для канала 5725~5850МГц 10 dBi для канала 1559~1616МГц
Дальность действия До 2,6 км
Режимы работы Режим “Прогонка”. Блокировка канала управления, приводящая к уходу дрона обратно на точку взлёта Режим “Принудительная посадка”. Блокировка канала управления, приводящая к мягкой посадке дрона в аварийном режиме
Угол охвата 26°
Время автономной работы 50 минут непрерывного излучения, 4 часа пульсирующего излучения (30 сек подавление / 90 сек перерыв)
Питание 22,2 В; 67 А/ч
Время зарядки аккумулятора 2 часа от сети 220 В
Комплектация Излучатель/генератор + блок питания (на поясе) + зарядное устройство + кейс для транспортировки
Размеры 41 х 6 х 9 см – излучатель/генератор
Вес 2 кг с аккумулятором

Заказать «СТОПДРОН-КОМПАКТ»

Радар обнаружения беспилотников «СТОПДРОН-ГОРИЗОНТ» предназначен для дальнего (до 10 км) выявления малоразмерных воздушных целей.

Благодаря специализированной обработке сигнала, отражённого от цели, происходит её распознавание в качестве дрона.

Прочие цели — птицы, воздушные шары, воздушные суда — подсвечиваются на экране оператора, но не маркируются как профильные и не включают тревожного оповещения.

Радар «СТОПДРОН-ГОРИЗОНТ» выполняет функцию раннего обнаружения беспилотников за пределами объекта на больших дистанциях, а также позволяет распознавать дроны со слабовыраженными разведпризнаками: следующие автономно по полётному заданию, работающие на нетипичных радиочастотах.

Дальность обнаружения дрона класса DJI Phantom до 10 км
Охват по азимуту (горизонталь) до 360°, вращение на опорно-поворотном механизме
Охват по углу места (вертикаль) от –40° до +60° (возможно увеличение до –70° — +70°), наклон на опорно-поворотном механизме
Частота излучения 16.97 ГГц, Ku-диапазон
Мощность излучения 8 Вт
Потребляемая мощность 0,5 кВт
Вес 40 кг
Размер 20 см х 50 см х 70 см (без штатива)
Питание 220В, 50Гц

Узнать больше о «СТОПДРОН-ГОРИЗОНТ»

Дальность действия 5 – 8 км
Подавляемые каналы и выходная мощность антенн

Источник: http://stopdron.ru/

Промышленные дроны: пять современных моделей

Внедрение беспилотников в различные сферы промышленности набирает обороты: дроны используются в сельском хозяйстве, нефтедобывающей, строительной и прочих отраслях.

Применение технологий позволяет значительно снизить количество ошибок на производстве, добиться экономии человеческих ресурсов, а в долгосрочной перспективе приводит к полной финансовой окупаемости и выгоде.

Каждый год инженеры ищут и создают новые решения для автоматизации тяжелой работы, и все чаще универсальным инструментом становятся дроны.

Дрон-инспектор Elios

Квадрокоптер Elios – проект, разработанный швейцарской компанией Flyability совместно с китайским производителем мультикоптеров DJI. Благодаря видеосистеме Lightbridge-2 весом всего 70 граммов, дрон может транслировать видеозаписи в качестве 1080p на расстояние до 5 км. Видеопередача функционирует при температурном диапазоне -10°…+40°С.

Устойчивость к температурным изменениям и прочная конструкция делает Elios идеальным инструментом для использования в местах, труднодоступных для человека – например, внутри паровых котлов для инспектирования их состояния, а также в ходе исследования ледниковых трещин.

Всепогодный беспилотник Matrice 200 от DJI

Компания DJI специализируется на БПЛА для любителей и профессионалов. В 2017 году организация представила новый промышленный летательный аппарат – Matrice 200.

Дрон не боится непогоды: двигатели с высокой производительностью и 43-сантиметровые пропеллеры обеспечивают ровный полет даже в потоке сильного ветра, а система с двумя батареями автоматически нагревает аккумулятор, если M200 находится в воздухе при минусовой температуре. Закрытая конструкция устройства защитит механизм от дождя и снега.

Квадрокоптер DJI выдерживает вес одновременно трех камер и нескольких датчиков, благодаря чему съемка и навигация становится более качественной и точной.

В корпус дрона встроена камера, также можно разместить два подвеса для других камер, к примеру, одну – для тепловизионной съемки, другую – с мощным увеличивающим объективом.

Обратите внимание

Таким образом легко обнаружить утечки тепла или дефекты на объектах: камера-тепловизор позволит найти проблемный участок, а с помощью зум-объектива можно детально исследовать объект на расстоянии. Производители модели утверждают, что с помощью встроенной камеры в режиме реального времени удается обнаружить миллиметровые дефекты.

Кроме того, Matrice 200 станет отличным помощников в поисково-спасательной деятельности: пропавших можно будет найти по тепловому следу и проложить оптимальный маршрут, оценив особенности обстановки. Модель справляется с полетами длительностью полчаса.

Walkera Voyager 5 – универсальный промышленный коптер

Разработчики Walkera LTD создали дрон Voyager 5. Устройство снабжено 4к-камерой, 30-кратным оптическим зумом, есть режим ночного видения и тепловизор, корпус беспилотника водонепроницаем.

С помощью пульта дистанционного управления можно отправлять Voyager 5 на дистанции до пяти километров. Благодаря трем аккумуляторам и умной системе энергосбережения, БПЛА выдерживает сорокаминутные полеты – на данный момент это самый высокий показатель среди дронов всего мира. Система ГЛОНАСС и GPS не позволит устройству затеряться.

D-02 – модульный беспилотник от XDynamics

Корпорация XDynamics выпустила модульный промышленный дрон D-02 – предполагается, что новинка будет использоваться в отрасли профессиональной беспилотной кинематографии.

Коптер представляет собой авиационную платформу с настраиваемыми параметрами.

Особенность модели в том, что из деталей можно собрать конструкцию, подходящую под индивидуальные производственные задачи: клиенту предоставляются на выбор разные вариации с установкой шарниров, сенсоров и прочих деталей конструкции.

Разработчики учли все нюансы: к примеру, перед первым запуском необходимо установить пропеллеры, подходящие для конкретных атмосферных условий. Несмотря на разнообразие деталей, коптер в собранном виде портативен. Благодаря восьми двигателям, беспилотник устойчив в воздухе и без проблем совершает посадку даже после поломки нескольких роторов.

D-02 может быть использован в качестве антенного оборудования для получения профессиональных видеоматериалов высокого качества: технология беспроводного радиовещания обеспечивает съемку в режиме реального времени в качестве 1080p, скоростью кадров 60/сек и ничтожно низкой задержкой. Также можно использовать коптер как инструмент для наблюдения за строительными объектами и инспектирования местности.

Дрон для чистки турбин от Aerones

Латвийские инженеры из организации Aerones создали беспилотник, который выполняет техническое обслуживание ветряных турбин, а именно чистит лопасти посредством шлангов с высоким давлением. Это действие затрачивает немало времени и энергии у работников, и использование на предприятии даже одного дрона позволит существенно оптимизировать процесс и сделать его более эффективным.

В беспилотник встроены механизмы безопасности, термо- и ультра-HD-камеры; система осуществляет бесперебойный мониторинг температуры источника питания и мотора. В корпусе коптера размещены сенсоры для точной навигации, а также радиолокационный алгоритм для избежания столкновений и парашюты – на случай сбоя системы.

К модели присоединен шланг, подключенный к источнику питания – это позволяет дрону парить над поверхностью неограниченное количество времени. На случай если подзарядиться негде, инженеры снабдили летательный аппарат батареей, которая выдерживает до 20 минут полета.

Разработчики заявляют, что коптер способен чистить до десятка турбин за день – в зависимости от размера лопастей и погодных условий.

Перед процедурой чистки проводится предварительный осмотр – это позволяет рассчитать время работы, определить тип загрязнения, учесть дефекты и повреждения.

В дальнейшем молодая, но перспективная компания планирует разработать больше функций для дрона – таких как тушение пожаров, транспортировка людей в безопасные места в случае ЧС, чистка небольших строений.

Читайте также:  Искусственный интеллект проверил доказательство теории кеплера

Коптер от Intel – Falcon 8+

Сотрудники компании Intel анонсировали выпуск нового дрона с восемью моторами, созданного для промышленных инспекций, мониторинга и картографии.

Октокоптер умеет разгоняться до 56 км/ч и оснащен роторами, расположенными по запатентованной V-образной схеме.

Дрон создан по последнему слову техники: в корпусе есть запасные батареи с горячей заменой, встроенная система коммуникации и сенсоры кругового обзора, имеется GPS-модуль.

При этом масса беспилотника едва превышает 1 кг. Его удобно использовать для задач в рамках промышленного мониторинга инфраструктуры или съемки местности – производители гарантируют высокое качество и точность отснятого материала. Управление коптеров осуществляется посредством влагозащищенного пульта с встроенным экраном для демонстрации видеороликов качеством 1080p.

Источник: https://robo-sapiens.ru/stati/promyishlennyie-dronyi-pyat-sovremennyih-modeley/

Дроны научились ориентироваться в городе без GPS

Швейцарские ученые разработали алгоритм, который научил дронов ориентироваться, копируя поведение водителей и велосипедистов – быстро и без использования GPS. Технология должна помочь беспилотникам, которым необходимо летать на низкой высоте в условиях города,  органично влиться в городской транспортный поток.

Большинство дронов, использующих GPS, в реальных городских условиях в лучшем случае столкнутся с проблемами. В худшем — со зданиями или другими транспортными средствами.

Сигнал от спутников может стать нестабильным в тоннелях или на улице в деловом центре, усеянном небоскребами. В этом случае реакция беспилотников не будет достаточно быстрой, а действия — безопасными.

Важно

Ученые из Университета Цюриха считают, что придумали остроумное решение для этой проблемы. Об их работе рассказывает Science Daily.

В Швейцарии разработали кирпичи с лучшей в мире теплоизоляцией

Алгоритм DroNet обратил себе на пользу трафик на городских улицах. ИИ, управляющий дроном, копирует поведение водителей и велосипедистов. Такой подход позволил обучать алгоритм на сотнях реальных ситуаций.

Анализируя поведение участников транспортного потока с помощью нейросети, DroNet на первом этапе выучил правила дорожного движения.

А затем научился анализировать данные с камеры, установленной на дроне: на каждом кадре он указывает безопасный вектор движения, а также потенциально опасные зоны, чтобы автопилот мог быстро среагировать.

«DroNet распознает неподвижные и динамические препятствия и может замедлиться, чтобы избежать столкновения. С этим алгоритмом мы делаем шаг к тому, чтобы сделать дроны с автономной навигацией частью нашей повседневности», — говорит один из авторов исследования, профессор Дэвид Скарамуцца.

Главное преимущество такого подхода — то, что он может работать, просто получая данные с экшн-камеры или смартфона. Ему не нужны радары и иные дорогостоящие сенсоры. Это также делает систему намного легче.

Впрочем, алгоритм задействует серьезные вычислительные мощности.

И потому предстоит решить целый ряд технологических задач, прежде чем на улицах и вправду появятся дешевые и умные дроны-курьеры, указывает другой участник проекта Антонио Локерчио.

Водородные велосипеды попадут на массовый рынок через год-два

Возможность ориентироваться в сложном городском окружении может быть прорывной для беспилотных технологий. На открытых пространствах дроны уже способны решать очень серьезные задачи и даже спасать жизни. Недавно в Австралии беспилотник за две минуты обнаружил тонущих подростков и сбросил им надувной плот, на котором они вернулись на берег.

Источник: https://hightech.fm/2018/01/25/nogpsdrones

Удаленный мониторинг в режиме реального времени через сотовую сеть

Обзор

Для разветвленных инфраструктур, расположенных в отдаленных, изолированных местах, использование неуправляемых систем мониторинга было долгое время ограничено предельной дальностью линий связи.

Традиционно, радиосвязь использовалась лишь как часть комплексного решения, и несмотря на то, что она доказала свою рентабельность, существенными недостатками были ограничения, связанные с возможной скоростью передачи данных, длительностью времени передачи и повышенной вероятностью потери данных при расширении области передачи.

Появление новейших технологий сотовой связи позволило системным интеграторам найти выход из перечисленных ограничений, предоставляя новые возможности для использования удаленного мониторинга.

Для проведения мониторинга и управления коммуникациями через сотовую связь инженеры могут построить удаленно управляемую платформу, которая проста и практична в применении, минимизирует посещение объекта для настройки и обслуживания.

Данная платформа может надежно передавать в режиме реального времени информацию как от приложений с высокой пропускной способностью, например с видеонаблюдения, так и критические сигналы тревоги с низкой пропускной способностью.

Задачи и решения

В этой статье мы рассмотрим технические проблемы касающиеся удаленного сбора данных, обратим внимание на приложения, которые связанны с мониторингом и управлением информацией с чрезвычайно удалённых трубопроводов, насосов и периферийного оборудования. Сначала рассмотрим, что должно быть в системах сотовой связи для удаленного мониторинга, а так же предельные возможности и функциональность, необходимые для осуществления данного решения.

Рассмотрим следующие темы:

– Почему сотовая связь?- Динамический или статический IP- Активная передача данных: – оптимизация пропускной способности – предотвращение задержек работы – оптимизация уровней сбора данных – снижение затрат на обслуживание- Гарантированная целостность данных

Почему сотовая связь?

При использовании радиосвязи для управления трубопроводами системные администраторы обычно настраивают блоки удаленных терминалов (RTU – Remote Terminal Unit) так, чтобы регистрирование данных происходило в локальных устройствах хранения, а затем уже отправлялись обслуживающему персоналу для сбора данных.

Совет

Поскольку данные не передаются в реальном времени, реализация приложений с высокой пропускной способностью, например видео наблюдение, сопровождается трудностями управления ресурсами, которые часто непреодолимы, в то время как дорогостоящие ресурсы должны быть распределены для сбора и анализа данных с удаленных объектов.

Как следствие, в настоящее время разработчики обращаются к сотовой связи для более гибкой и эффективной информационной платформы.

Превосходство сотовой сети заключается в том, что она может использовать IP сети, а так как подавляющее большинство полевых устройств сейчас с поддержкой протокола IP, то возможно передавать любые данные через каналы сотовой связи.

Но недостаточно использовать только IP средства связи, так как пропускная способность и время задержки также важные составляющие.

Так как сотовая связь передает данные через большее расстояние, чем традиционные радио средства связи и средства связи сверхвысокочастотного диапазона, то значительно уменьшается необходимое количество узлов ретрансляции по сравнению с радио системами и системами сверхвысокочастотного излучения.

Кроме того, расширенная пропускная способность и улучшенная устойчивость к помехам у сотовых сетей, а также использование информационной инфраструктуры, которая уже установлена у сотовых провайдеров, что позволяет уменьшить количество необходимых точек ретрансляции, позволяет системным операторам сократить расходы на инфраструктуру сети.

После недавнего перехода с GPRS на HSPA сетевые технологии сразу показали значительное улучшение пропускной способности и уменьшение времени задержки в сети.

Максимальная исходящая пропуская способность для сотовой сети может достигать приблизительно 5,76 Мбит/сек, входящая пропускная способность может достигать 14,4 Мбит/сек. Также была значительно уменьшена задержка в сотовой сети, при этом в некоторых сетях время задержки достигало всего 100 миллисекунд.

По сути дела на сегодняшний день, во всех отношениях производительность сотовой сети превышает почти все другие доступные технологии связи дальнего действия.

Динамический или статический IP

для удаленного сбора данных

Обратите внимание

Для того чтобы установить двунаправленную связь (центральный объект может напрямую запрашивать регистраторы данных и наоборот), лучше всего, если модемам сотовой сети на удаленных объектах и серверу системы SCADA будут назначены внешние IP адреса. Однако, пока стоимость статического IP адреса для устройств сотовой сети больше, чем для частного, динамического IP адреса, эта установка сразу приведет к увеличению стоимости проекта.

Тем не менее, использование специально созданного программного обеспечения OPC дает возможность настроить удаленные устройства на автоматическую регистрацию самих себя в управляющей SCADA системе, которая использует фиксированный IP адрес.

В этом случае SCADA сможет получать и регистрировать IP адреса удаленных устройств, а также соответственно возможность передавать или обновлять запись тегов. Такое взаимодействие является простым и экономически выгодным способом управления удаленных устройств через сотовую сеть.

Дополнительное использование регистрации данных с помощью OPC сервера дает возможность использовать динамическое DNS регистрирование, где удаленное устройство преобразует свой динамический или частный IP адрес в DNS имя хоста (т.е. URL).

В этом случае главному программному обеспечению необходима только база данных URL для связи с удаленным устройством HSPA.

Активная передача данных оптимизирует использование полосы пропускания и помогает ликвидировать простой сети

Когда пользователь решает использовать сотовые сети, самым важным и очевидным вопросом является: «Сколько это будет стоить?».

В традиционной ориентированной на автоматизацию среде операторы используют устройства PLC для получения данных и в этом случае пропускная способность не является проблемой, т.к. PLC является обычно частью локальной, проводной инфраструктуры.

Для удаленных приложений, работающих через сотовую связь, пропускная способность имеет определенную стоимость и это является большой проблемой. Поэтому опросные архитектуры системы плохо подходят для сотовой сети.

Важно

Активная push-связь устраняет необходимость опроса сервером, что значительно снижает нагрузку на сеть и позволяет сократить расходы, связанные с развертыванием системы сотовой связи. Без опроса сервера удаленные устройства активно отправляют данные центральному серверу по своей инициативе.

Таким образом, данные передаются один раз от датчиков или систем предупреждения на объекте; изменение данных отправляется в базу данных управляющей системы, где оператор затем может просматривать отчеты.

При использовании активной передачи данных центральному серверу или SCADA не требуется постоянно делать опрос полевых устройств: вместо этого они просто ждут входящие данные. Активная передача данных не только уменьшает использование полосы пропускания, но и делает возможным передавать предупреждения об опасности в реальном времени.

Наряду с активной передачей данных также важным является возможность динамически регулировать интервалы связи, чтобы задержка сети вмещалась в заданные рамки, и предотвращать всевозможные задержки в сети.

Задержка связи в сотовой сети может легко стать дорогостоящей проблемой.

Полевые устройства, соединенные через Ethernet или последовательный интерфейс, используют удаленный опрос для получения данных. Устройство, у которого устанавливается значение задержки сети обеспечивающее скорости LAN-связи, столкнется с проблемой задержки при развертывании сотовой сети.

Повторяющиеся задержки связи могут вывести из строя систему, а также будет взиматься дополнительная плата за пропускную способность с каждой попыткой переподключения. Активная «push» архитектура, которая создает информацию о данных, решает эту проблему, так как замена постоянного опроса данных активной передачей данных позволяет системе фактически исключить возможность задержки связи.

Активные передачи данных оптимизируют уровни передачи данных и снижают затраты на обслуживание

Традиционные системы опроса часто требуют несколько уровней сбора данных. Многоуровневая архитектура предназначена для распределения нагрузки системы и сокращения цикла опроса. Однако, многоуровневые системы трудны в управлении и сложны в построении и обслуживании.

В больших системах проблема, которая происходит в промежуточном узле, может отнять много времени для её определения и устранения. Кроме того, большие многоуровневые системы часто непродуманно собраны вместе различными системными интеграторами, каждый из которых использует свое оборудование и различные протоколы.

Читайте также:  Впервые искусственный интеллект заменил физиков

Протокол унификации в одиночку может создать достаточно проблем, чтобы парализовать всю систему.

Развитие в сотовой сети систем сбора данных и предупреждения, которые используют технологию активной передачи данных, сделало возможным ликвидировать почти все промежуточные уровни сбора данных.

Так как сотовые сети основаны на IP адресах, они, по существу, не имеют ограничения по дальности по сравнению с традиционными радио и сверхвысокочастотными средствами связи, и необходимое количество узлов ретрансляции снижено. Кроме того, как правило, использование существующей информационно-коммуникационной инфраструктуры провайдеров существенно снижает стоимость внедрения.

Более того, так как пропускная способность сотовой сети значительно шире, чем у радиочастот, и менее восприимчива к внешним помехам, то необходимое для сбора данных количество точек ретрансляции уменьшается.

Действенное, эффективное программирование для улучшенного удаленного мониторинга

Совет

Для комплексного подхода не предоставляется ничего более гибкого, чем эффективная платформа программирования. Платформа программирования используется для приложений, требующих высочайшего универсального уровня в программировании, таких как пользовательские протоколы, комплексные вычисления и запись данных.

Программируемые сотовые RTU контроллеры, которые поддерживают языки программирования C/C++ или стандарт IEC 61131-3 (которые включают в себя ряд инструментов Linux), могут быть эффективно настроены для быстрого решения многообразных требований пользователя.

Среда программирования помогает пользователям сэкономить время на установку и настройку, снижая накладные расходы на программирование в таких ключевых областях, как контроллеры ввода/вывода, средства предупреждения и управление сетевой связью, в которую входит сотовая связь и SMS, а также на совместимость с существующими системами SCADA/DB. По сравнению с другими платформами программирования, Linux и IEC-61131-3 совместимы с сотовыми устройствами RTU, предоставляя максимальную гибкость кодирования, а оптимизированная с помощью предоставляемого программного обеспечения установка контроллеров ввода/вывода и сигналов тревоги становится проще и быстрее чем когда-либо до этого.

Эффективная загрузка базы данных для обеспечения целостности информации

Возможность установить сбор данных в реальном времени в удаленной среде, которая имеет ненадежную инфраструктуру связи, очень важна, так как операторам необходима информация в реальном времени для принятия решений, которые влияют на распределение ресурсов и доставку.

Обычно операторы используют регистраторы данных для хранения информации о событиях (для PLC сетей, например, база данных это полный набор данных полученный опросом за определенный период времени), с возможностью её получения при просмотре базы данных.

Это очень неэффективный способ управления удаленными объектами, тем более что это может привести к дублированию полученных данных и созданию многоуровневых сетей, в которых надо будет разбираться операторам.

Использование сотовой связи предоставляет операторам прямой, в режиме реального времени доступ ко всем удаленным данным.

По этой причине оптимизация базы данных также важная часть эффективности системы сбора данных.

Оптимизация систем управления базами данных под OPC решения не только упрощает сбор данных в режиме реального времени, но также автоматизирует преобразование статистических данных в различные форматы и воспринимаемые человеком формы, работая связующим звеном между областью информации и сохраненными базами данных или электронными таблицами.

Обратите внимание

Так как активные сотовые клиенты преобразуют и загружают журнал регистрации данных в центральную базу, оптимизированная система управления базами данных, собирающая информацию, может автоматически собирать теги с отдельных удаленных терминалов и других устройств ввода/вывода в массив данных или электронные таблицы, давая возможность пользователям извлекать данные не только в сыром виде, но и в форме подготовленных отчетов. В итоге, с «push» связью, активными тегами и подходящей оптимизацией баз данных, удаленные терминалы должны при сбое в сети автоматически передавать данные, которые были получены при ее отключении.

Сотовые технологии делают возможным использование современных систем удаленного мониторинга

Системы удаленного мониторинга изменились с появлением сотовых сетей. Проще говоря, благодаря сотовым IP технологиям системы удаленного мониторинга обладают большими возможностями, чем когда либо прежде, снижают сложность системы за счет устранения уровней сбора данных, а это в свою очередь ведет к снижению затрат на управление и обслуживание.

Используя сотовые удаленные терминалы следующего поколения от фирмы Моха с поддержкой языков программирования C/C++ и IEC 61131-3, с учетом программного обеспечения для разработки приложений, программного обеспечения базы данных DA-Center и активного OPC сервера, возможно быстро и эффективно развернуть удаленные, недорогие решения по сбору данных в режиме реального времени с высокой защитой целостности данных.

Wayne Chen

Специалист по маркетингу Moxa Inc.

Источник: https://ipc2u.ru/articles/obzory-produktov/monitoring-2014/

Принцип работы системы

Программно-аппаратный комплекс Dedrone обеспечивает дрон-детекцию по радиочастотному и Wi-Fi каналу, а также оптическим способом.

Система безопасности объекта дополняется специализированными радиочастотными сенсорами (количество зависит от размеров и рельефа объекта), а система видеонаблюдения оснащается платформой видеоаналитики и, по необходимости, дополнительными камерами, ориентированными выше горизонта.

Распознавание воздушных целей в качестве дронов осуществляется благодаря сличению их с базой данных признаков (сигнатур), характерных для беспилотников. Базы данных радиочастотных, Wi-Fi и оптических сигнатур дронов регулярно обновляются/дополняются.

Преимущества радиочастотных сенсоров:

  • Пассивное оборудование, нет излучения, работа только на приём
  • Не требуют специальных разрешений на использование
  • Не требуют прямой видимости цели, обнаруживают дроны за препятствиями
  • Обнаруживают большинство дронов до взлёта, в момент их включения на земле
  • В модификации RF-300 способны засекать местоположение дрона, отслеживать его траекторию в режиме реального времени, а также в большинстве случаев обнаруживать местонахождение пилота с пультом
  • Обнаруживают дроны, находящиеся в зените над объектом
  • Компактны, малозаметны, не нарушают эстетику строений

Радиочастотный сенсор RF-100 является базовым элементом системы защиты от дронов. Он выполняет функцию раннего оповещения о появлении беспилотников рядом с объектом без конкретизации направления и местоположения цели, обнаруживая дроны по WiFi/радиоканалам их управления, передачи видео и телеметрии. При размещении на горизонтальной плоскости радиочастотный сенсор RF-100 формирует в воздушном пространстве купольно-круговую область радиусом и по высоте до1500 м.

Радиочастотный сенсор модели Dedrone RF-300 является мощным дополнительным средством для контроля воздушного пространства. При установке в количестве одной штуки радиосенсор RF-300 выявляет направление, с которого беспилотник приближается к объекту.

При использовании двух и более радиосенсоров RF-300 (распределённых с некоторым интервалом друг от друга) они формируют триангуляционную сеть, способную по радиосигналам запеленговать местоположение дрона, зафиксировать траекторию его полёта, а также засечь местонахождение пилота с пультом управления беспилотником.

Вся эта информация в режиме реального времени выводится на экран оператора системы в привязке к реальным координатам, а также автоматически записывается в архив. База данных радиосенсора RF-300 идентична базе данных RF-100 и постоянно дополняется производителем.

Таким образом, радиосенсор RF-300 существенно расширяет функционал (но не заменяет) RF-100. Радиопеленгационное звено RF-300 предназначено для повышения уровня маловысотной безопасности на особо важных объектах.

Для оптического обнаружения дронов используются видеокамеры наружного наблюдения с разрешением от HD и выше и протоколом ONVIF. В зависимости от марки и модели камеры, а также угла обзора объектива, дроны могут быть распознаны на расстояниях до 300 метров.

Это возможно благодаря подключению существующих на объекте камер (или установленных дополнительно) к платформе специализированной видеоаналитики.

Алгоритмы видеоаналитики Dedrone позволяют отфильтровывать непрофильные цели (воздушные суда, птиц), включая тревогу только при появлении объекта с визуальными характеристиками дрона.

Преимущества камер: в момент оптического обнаружения дрона на экране оператора будет подсвечиваться не только сектор камеры, но также динамическая отметка цели и её траектория.

Данные устройства позволяют записывать и сохранять видеофайлы дрон-инцидентов.

Кроме того, оптический канал позволяет обнаруживать нетипичные дроны (самодельные или редких марок), частоты которых ещё не внесены в базу данных радиочастотных сенсоров.

Источник: http://bespilotnikov.net/detection/principle-operation/

Создание дрона отслеживающего людей

В данном уроке мы дадим беспилотнику возможность самостоятельно следовать за вами, используя методы компьютерного зрения на основе глубокого обучения.

Используемые части.

Используемый список деталей выглядит следующим образом:

• Parrot AR.Drone

• Raspberry Pi 3 Model B

Софт:

Nanonets

История

Дроны становятся все более популярными благодаря своей универсальности и потрясающей технологии съемки изображений; Многое можно сделать с этими летательными аппаратами начиная от фикции доставки предметов до фотосъемки.

Они манёвренные в воздухе, могут управляться с помощью пульта дистанционного управления и могут подниматься на большую высоту и улетать на большое расстояние. Все эти функции сделали беспилотные летательные аппараты отличным инструментом для фотографов и видео операторов.

Многие дроны оснащены камерой, которая позволяет беспилотнику снимать фотографии и видео с невероятных перспектив.

Важно

Однако есть некоторые недостатки: управлять дроном довольно сложно.

Даже при использовании новейших методов управления программным обеспечением Вы должны быть осторожны во время пилотирования беспилотного летательного аппарата, так как потеря контроля над ним может вызвать падение или столкновения дрона препятствием что повлечет потерю тысяч долларов. Неопытным пилотам трудно летать на БЛА, но зато у них получаются забавные кадры.

Автономные самоуправляемые дроны

Вот почему в последнее время много усилий было предпринято в сторону автономности.

Автономный БЛА может летать сам по себе, без необходимости дистанционного управления, например, следуя за человеком или объектом слежения, а также избегать препятствий.

Представьте себе, как могло бы быть, если бы Вы могли бы пойти на пробежку или кататься на лыжах, коньках, или плавать, а дрон будет следовать за вами, как домашнее животное, снимая все Ваши приключения.

Процесс, создания Автономного дрона.

Создание полностью автономного дрона – довольно сложная задача, связанная с рядом проблем в области:

  • теории управления (для управления пропеллерами)
  • роботизация (для разработки беспилотного летательного аппарата и оборудования для него)
  • планирование (решение задачи, по какому пути следовать)
  • видение и восприятие (чтобы анализировать окружающую среду)

В этом уроке мы сосредоточимся на обнаружении объектов, используя последние прорывы в области глубокого обучения. Я покажу, как реализовать простую версию обнаружения человека и после, использования модели обнаружения объекта в TensorFlow и Nanonets Machine Learning API.

Шаг 1: Футажи с Дронов

В качестве первого шага нам нужно получить несколько видеороликов. У вас есть два варианта: заснять собственное видео со своего дрона или использовать уже отснятые видеоролики.

Здесь вы можете найти ролики выбрав модель дрона:

Вы можете найти футажи, которые Вы можете использовать:

  • Datasets – senseFly
  • SVCL – Regularization on Image Retrieval

Шаг 2: Обнаружение объекта

Обнаружение объектов – популярная задача для компьютерного зрения, заключающаяся в нахождении внутри изображения некоторых конкретных объектов.

В принципе, учитывая изображение, мы хотим, чтобы наш алгоритм вычислил ограничивающие прямоугольники, используя пиксели в качестве координат, внутри которого по мнению ПО находиться некоторые объекты, представляющие интерес, такие как собаки, деревья, автомобили и т. Д.

Читайте также:  Правительства разных стран уделяют особенное внимание развитию робототехники и искусственного интеллекта

Это была довольно сложная задача в течение нескольких десятилетий, пока разработчики глубокого обучения не увеличили производительность этих моделей. В настоящее время нейронная сеть – это путь к решению большинства задач, связанных с компьютерным зрением.

Мы будем использовать два подхода:

  • Модель обнаружения объекта TensorFlow: доступно в репозитории разработчика GitHub. Мы будем использовать модель SSD MobileNet v1.
  • Nanonets Machine Learning API: его можно найти nanonets/object-detection-api. Он значительно проще в использовании, TensorFlow и требует меньше затрат по времени и строчек кода.

Теория, лежащая в основе этих моделей, значительно выросла в последние годы, и в научной литературе предлагается множество новых моделей. Но в этом уроке мы скроем сложности за очень легкими API-интерфейсами, которые можно легко интегрировать во многие проекты.

В репозитории Вы можете найти Jupyter Notebook, в котором показаны различные шаги для обнаружения объекта. Мы увидим, как выполнить обнаружение человека, а затем выполнить отслеживание объекта с помощью кода.

Модель обнаружения объекта TensorFlow

А) Загрзука TensorFlow

Эта часть кода загружает выбранную модель (через MODEL_NAME).

Б) Постройка графика и переменных TensorFlow

Теперь мы можем создать класс, который фактически создает сеть, загружая модель и сохраняя ее в графе Tensorflow, который может использоваться для выполнения прогнозов. Мы создадим переменные класса, связанные с переменными Tensorflow внутри графика.

Это позволит нам получить доступ к входным и выходным переменным модели Tensorflow, используя дружественные переменные python. Вы можете заметить, что мы также определили функцию отрисовки прямоугольников на изображениях. Это будет использовано позже.

В) Определение метода прогнозирования

Теперь мы добавляем новый метод для нашего класса, чтобы делать прогнозы. Этот метод получает изображение, подает его на вход нашей модели TensorFlow и оценивает выходные переменные, создавая сеанс TensorFlow.

Модель обнаружения объекта имеет ряд полезных выходных переменных: модель выводит ограничивающие поля для всех объектов, которые, по ее мнению, находили в изображении, и, кроме этого, выводит классы обнаружения (то есть, что такое объект, индексированный от 1 до 90) и даже показатель его обнаружения, который определяет, насколько точно, что определенный объект действительно присутствует на изображении.

Это важно, потому что, как Вы увидите, что многие объекты имеют очень низкий балл и являются ошибочно определенными. Мы можем установить порог, который указывает, какой уровень баллов мы считаем правильным.

Наш порог довольно низок, всего 0,5, потому что мы имеем дело с изображениями людей, стоящих спиной к камере, бегающих и находящихся в довольно шумных условиях.

Для визуализации ограничивающих прямоугольников мы используем функции рисования из библиотеки изображений Python (PIL) для рисования прямоугольников непосредственно на нашем изображении.

Совет

Одна важная вещь, которую мы можем видеть, состоит в том, что координаты ограничивающих прямоугольников нормированы между 0 и 1 как float.

Это не может быть напрямую преобразовано в пиксель, но мы можем умножить нашу ширину и высоту изображения для этого числа, а затем залить его в целое число, чтобы фактически получить ограничивающие прямоугольники, выраженные в пикселях на нашем изображении.

Г) Запуск Прогнозирования на тестовых изображениях

Теперь мы будем выбирать изображения, которые хотим обработать. Очевидно, что на дроне это будет процесс в режиме реального времени, когда изображения поступают с камеры непосредственно в память, а затем обрабатываются программой.

В нашем случае, чтобы показать несколько реалистичных примеров, я сделал несколько скриншотов из видео, изображающих людей, бегущих или просто движущихся перед беспилотом, который следит за ними. Я загрузил их в папку и использовал глобальную библиотеку, чтобы выбрать все пути.

После этого я создаю экземпляр нашего класса Prediction и использую его для выполнения обнаружения на изображениях.

API машинного обучения NanoNets

Используя API NanoNets, мы можем сделать прогноз всего за 2 шага:

А) Получение бесплатного API ключа

Получите ключ API из http://app.nanonets.com/user/api_key. Обратите внимание, что Вам нужно будет зарегистрироваться, используя ваш адрес электронной почты. Теперь добавьте вновь созданный ключ API в текущий сеанс терминала с помощью следующей команды:

export NANONETS_API_KEY=replace_your_api_key

Б) Прогнозирование

введите следующий код в файл «prediction.py».:

prediction.py: import requests, os, sys from PIL import Image, ImageDraw model_id = “ca9df6e0-37a7-4155-bb8e-5ad2ccb675bf” api_key = os.environ.get('NANONETS_API_KEY') image_path = sys.argv[1] url = 'https://app.nanonets.com/api/v2/ObjectDetection/Model/' url += model_id + '/LabelFile/' data = {'file': open(image_path, 'rb'),'modelId': ('', model_id)} response = requests.post(url, auth=requests.auth.HTTPBasicAuth(api_key, ''), files=data) result = response.json()[“result”][0] im = Image.open(image_path) draw = ImageDraw.Draw(im) for b in result[“prediction”]: box = (b[“xmin”],b[“ymin”],b[“xmax”],b[“ymax”]) draw.rectangle(box, fill=None, outline=128) im.show() print(response.text)

Вы можете запустить файл «prediction.py» на любом тестовом изображении, подаваемом в качестве аргумента командной строки. Мы загрузили несколько изображений для тестирования.

python prediction.py path_to_image.jpg

Отображаемый вывод дает Вам расположение ограничительной рамки в json-формате и показатель доверия между 0 и 1, который показывает, насколько модель уверенна в определении объекта. Кроме того, программа создает новое изображение с ограничивающей рамкой, чтобы вы могли визуально оценить производительность своей модели.

Обратите внимание

Полученные нами результаты удовлетворительные. Ниже Вы можете увидеть, как работает обработка на тестовых изображениях.

Определение личности человека.

Шаг 3: Сопровождение человека/ Планирование маршрута

Возможность определить людей – это круто, но недостаточно, чтобы следовать за человеком. Что мы можем сделать теперь, когда у нас есть определение положения человека на кадре? Учитывая эту информацию, мы можем отправить команды высокого уровня нашему дрону, чтобы следить за обнаруженным человеком.

Чтобы действительно обнаружить человека в пространстве, нам понадобится также определение глубины, но эти данные тяжело получить, поэтому мы можем попытаться использовать некоторые трюки с нашей информацией о выделенном объекте.

Как только дрон обнаружил человека, в нем, в основном, есть 4 значения, описывающих окно: его верхний левый угол (x1, y1) и его нижний правый угол (x2, y2). Учитывая это, мы также можем легко вычислить центр прямоугольника, а также его площадь. Чтобы вычислить область, нам нужно вычислить ширину как (x2-x1) и высоту как (y2-y1) и умножить их.

Что касается центра, то он вычисляется просто как (x2 + x1) / 2 и (y2 + y1) / 2. Почему эта информация полезна? Центр прямоугольника может рассказать нам, находится ли человек в центре изображения или если он находится справа или слева.

С помощью этой информации мы можем отправить инструкцию к беспилотнику поворота влево или вправо относительно вертикальной оси, чтобы человек всегда находился в центре кадра. Точно так же мы можем заставить дрона подняться или опуститься, если человек обнаружен в верхней части кадра.

Площадь прямоугольника может дать нам приблизительную информацию о том, насколько близко человек. Большой прямоугольник означает, что человек очень близко, а крошечный прямоугольник указывает, что человек далеко. Основываясь на этой информации, мы можем перемещать дрон вперед или назад, чтобы дрон всегда был на определенном расстоянии от человека. Здесь Вы можете ознакомиться с моим псевдокодом.

def compute_drone_action((x1,y1), (x2,y2)): #define the possible turning and moving action as strings turning = “” moving = “” raise = “” area, center = compute_area_and_center((x1,y1), (x2, y2)) #obtain a x center between 0.0 and 1.0 normalized_center[x] = center[x] / image.width #obtain a y center between 0.0 and 1.0 normalized_center[y] = center[y] / image.width if normalized_center[x] > 0.6 : turning = “turn_right” elif normalized_center[x] < 0.4 : turning = "turn_left" if normalized_center[y] > 0.6 : raise = “upwards” elif normalized_center[y] < 0.4 : raise = "downwards" #if the area is too big move backwards if area > 100 : moving = “backwards” elif area < 80 : moving = "ahead" return turning, moving, raise

В следующем GIF вы можете увидеть, как этот псевдокод будет работать после обнаружения человека: исходя из положения и области сокращающего прямоугольника, дрон движется соответственно, чтобы выровнять человека на заранее определенное расстояние и в центр кадра.

Важно

Подлёт к человеку после его обнаружения.

Этот метод также работает для записи спортивных сцен: в следующем примере во время работы записывается человек. Когда алгоритм обнаруживает, что человек приближается, из-за увеличения рамки рамки, он решается двигаться назад, чтобы сохранить человека на том же предопределенном расстоянии.

Обучение собственной модели. Что делать, если я хочу отслеживать автомобиль или лодку?

Все это звучит просто, когда мы используем полностью подготовленную модель. Но что, если производительность модели не соответствует нашим ожиданиям или вы хотите отслеживать другой объект? Мы хотели бы иметь варианты обучения модели с новыми изображениями.

Оказывается, обучение – гораздо сложнее, чем прогнозирование.

Обучение новой модели имеет несколько проблем:

  1. Интенсивность вычислений. Обучение может занять много времени и иметь огромную вычислительную мощность, часто требуя дни обработки на графических процессорах.
  2. Аннотации.

    Аннотирование набора данных означает обозначение позиций всех объектов, представляющих интерес для учебных образов, путем указания их ограничивающих прямоугольников. Обычно это трудоемкая задача.

  3. Обучение с нуля: обучение любой объектной модели обнаружения с нуля требует огромного количества данных, как правило, порядка 10 000-100 000 изображений.

    Это не только увеличивает вычислительную мощность, время вычисления и требования к аннотации, но просто получение такого большого набора данных может быть затруднено.

  4. Выбор модели: выбор правильной модели является жестким, существует множество различных моделей, таких как YOLO, SSD, Resnet и т. Д., Которые отличаются производительностью в зависимости от задачи.
  5. Hyperparameter Tuning: выбор правильных параметров так же важно, как выбор правильной модели. Существует 100 таких гиперпараметров, как количество слоев, эпох, отсева и скорость обучения среди других.

Обучение модели с помощью Nanonets

Здесь NanoNets входит. NanoNets предлагает решения для смягчения всех вышеперечисленных задач:

  • Мощность облачных вычислений: NanoNets использует Amazon Web Services (AWS) на бэкэнд, что означает, что все интенсивные вычисления выполняются на мощных кластерах с десятками процессоров и графических процессоров.
  • Профессиональные аннотаторы: у NanoNets есть команда экспертов-аннотаторов, которые будут аннотировать ваши изображения по цене 0,2 $ за изображение. Если вы предпочитаете сами делать аннотации, оно поддерживает как форматы XML, так и JSON.
  • Предварительно разработанные модели: Nanonets использует Learning Learning. Их модели обнаружения объектов предварительно обучены на большом количестве различных изображений животных, людей, транспортных средств и т. Д. Таким образом, их нейронная сеть уже умеет разбирать большинство объектов и нуждается лишь в небольшом количестве дополнительного обучения для конкретной классификации задача, например, различать автомобили и грузовики, или между кошками и собаками.

Дружественный API: API разработан, чтобы быть простым в использовании, даже если вы не являетесь экспертом в области машинного обучения.

Githab Sample 1 Зеркало

Источник

Источник: https://robotos.in/uroki/sozdanie-drona-otslezhivayushchego-lyudej

Ссылка на основную публикацию