введение в тематику для руководителей проектов и системных аналитиков
Периодически делаю конспекты по разным тематикам, так как приходится управлять совершенно разными проектами, необходимо понимать предметную область, ну и решил поделиться. Будет полезно тем, кто занимается управлением проектами в разных отраслях.
Сегодня поговорим про различные камеры наблюдения, видео, идентификацию объектов
Набирают популярность проекты, связанные с разработкой различных оптических систем, будь то охранные системы видеонаблюдения либо оптические комплексы обнаружения БПЛА. Одновременно имеет место проекты по разработке различных цифровых полигонов и мутирующих характеристик реальных объектов, это достаточно большая тема критериев соответствия цифрового двойника и физического объекта, какие характеристики необходимо учитывать для качественной эмуляции, апробации в виртуальной среде. Управляя такими проектами, так или иначе руководитель должен понимать некие критерии и технические характеристики качества таких комплексов.
Оптические комплексы обычно состоят из компонентов, среди которых могут быть цифровой магнитный компас, система позиционирования, лазерный дальномер, видеокамера, поворотное устройство, тепловизор, переносной пульт управления. Каждое из устройств имеет свои специфические характеристики, которые подбираются под конкретные цели, задачи, например, лазерный дальномер может быть с дальностью действия до 17 км и точностью измерения до полутора метров, видеокамера может быть фул эйч ди с фокусным расстоянием, тепловизор со спектральным диапазоном, расширением детектора, температурой чувствительности и так далее.
Но всё это вторично по отношению к целям — идентификации объекта. Чтобы прийти к идентификации, надо пройти от наблюдения через обнаружение, распознавание до идентификации, каждый из этапов — это маленький шажок, который усложняется размерами и дальностью объекта наблюдения.
Например, идет процесс наблюдения за полем. Мы находимся на одном конце, противоположная сторона поля от нас на расстоянии в 5 км. По всей поверхности поля постоянно происходит какое-то движение: бегут мышки, ползают червячки и жучки, летают листики, но мы из этого особо не замечаем. Но если присмотримся, возьмем бинокль, подойдем поближе, то это становится видно. Итак, у нас появляются существенные параметры: возможности системы наблюдения, размер объекта и расстояние до него. Для простоты давайте представим, что мы смотрим своими глазами (т. е. характеристики системы наблюдения такие же, как у человеческого глаза). Представьте, что мы замечаем пыльный след от чего-то, что движется в нашу сторону, это событие называется обнаружение. Допустим, объект на расстоянии 5 км, и в зависимости от размеров объекта мы можем попытаться распознать, что это. Если это самолет идет на разгон, у нас получится, если что-то меньше, то нет. Этот акт называется распознавание (зависит от размеров объекта и дальности до него). По мере приближения мы можем идентифицировать, что это автомобиль «Волга» (председателя колхоза), это событие называется идентификация.
Итак, резюме, жизненный цикл оптической системы проходит несколько этапов: наблюдение, обнаружение (выделение размытого пятна на фоне помех), распознавание (объект выделяется с достаточной ясностью и дифференцируется по принадлежности к классу), идентификация (объект дифференцируется по принадлежности к типу внутри класса).
В качестве усредненного представления о них можно взять соотношение как геометрическую связь: «Обнаружение : Распознавание : Идентификация = 1:4:8»
Т.е. дальность распознавания в 4 раза меньше дальности обнаружения, а дальность идентификации примерно в 8 раз меньше дальности обнаружения. Стоит отметить, что на практике это соотношение ослабевает в зависимости от размеров объекта, дальностью действия прибора и условия окружающей среды.
Важные составляющие — это технические характеристики системы (видеокамеры), размеры объекта наблюдения, дальность до него, ну и конечно окружающая среда (погода). Таким образом, можно составить табличку с этими параметрами и использовать её для опытных испытаний различных систем наблюдения. Берем объект одного размера и измеряем, на каком расстоянии происходит обнаружение, на каком распознавание, на каком идентификация. Например, если мы тестируем камеры контроля скорости, то она смотрит на полосу и с определенного расстояния может только распознать, что это автомобиль, а с более близкого расстояния произвести идентификацию номера. Аналогичным образом можно выстроить требования даже к спутниковым системам наблюдения.
Такой подход называется «Дальность действия по критерию Джонсона»
Материал из Википедии:
Критерии Джонсона, или критерии Джонсона-Джонсона, созданные Джоном Джонсоном, описывают подходы как в пространственной области, так и в частотной области для анализа способности наблюдателей выполнять визуальные задачи с использованием технологии увеличения изображения. Это стало важным прорывом в оценке производительности визуальных устройств и определило развитие будущих систем. С помощью критериев Джонсона было разработано множество прогнозируемых моделей для сенсорных технологий, которые предсказывают производительность сенсорных систем в различных условиях окружающей среды и эксплуатации.
История: Системы ночного видения позволили измерить пороговые значения зрения после Второй мировой войны. 1950-е годы также ознаменовались заметным развитием в области моделирования характеристик систем ночного видения. С 1957 по 1958 год Джонсон, учёный из Управления ночного видения и электронных датчиков армии США (NVESD)[2], работал над разработкой методов прогнозирования обнаружения, ориентации, распознавания и идентификации целей. Работая с добровольцами-наблюдателями, Джонсон использовал оборудование для усиления изображения, чтобы измерить способность добровольцев-наблюдателей распознавать цели по масштабной модели в различных условиях. В результате его экспериментов были получены первые эмпирические данные о пороговых значениях восприятия, выраженные в линейных парах. На первом симпозиуме по усилению изображения в условиях ночного видения в октябре 1958 года Джонсон представил свои выводы в статье под названием «Анализ систем формирования изображения», которая содержала список, впоследствии известный как критерии Джонсона.
Критерий Джонсона не учитывает такие факторы как энергетический контраст цели (окраска, светоотражение, свечение), прозрачность атмосферной трассы (туман, дождь, время суток) и шумы самого оптического прибора (стабилизация). На практике это приводит к тому, что заявленные по критерию Джонсона дальности могут не соответствовать реальным значениям.
Теперь представьте что у нас не условный охранник сидит перед кучей мониторов, а нейросеть обрабатывает видеоряд. Задумываясь о логике работы алгоритмов такой системы у нас получится примерно такая табличка с примерами:
В этом и заключается проблематика или «изобретательская задача» различных проектов в области оптики.
Что почитать по теме, чтоб набраться контекста:
- АНАЛИЗ РЕЗУЛЬТАТОВ РАСЧЕТА ДАЛЬНОСТЕЙ ОБНАРУЖЕНИЯ, РАСПОЗНАВАНИЯ И ИДЕНТИФИКАЦИИ ТЕПЛОВИЗИОННОЙ СИСТЕМЫ ПО ДВУМ МЕТОДИКАМ
- Оценка характеристик обнаружения и распознавания объектов на изображении от специальных оптико-электронных систем наблюдения летного поля — тут обозначается проблематика и примеры использования
- Методика вероятностного анализа процесса наблюдения в цифровых телевизионных системах видимого диапазона — тут прям полезное исследование где есть анализ основных задач наблюдения с помощью цифровой телевизионной системы наблюдения
- СОПОСТАВЛЕНИЕ КРИТЕРИЕВ ИНТЕРПРЕТИРУЕМОСТИ ИЗОБРАЖЕНИЯ В ОПТИЧЕСКОМ ДИАПАЗОНЕ СПЕКТРА — тут кратко про практику применения критериев
- Универсальный многоспектральный прицельно-наблюдательный прибор как средство совершенствования СУО (системы управления огнем) объектов БТВТ — тут тоже про практический кейс
- ТРЕБОВАНИЯ К ПОСТРОЕНИЮ ОРБИТАЛЬНОЙ ГРУППИРОВКИ ПРИ ПРОЕКТИРОВАНИИ ПЕРСПЕКТИВНЫХ КОСМИЧЕСКИХ АППАРАТОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ — тут применительно к аппаратам ДЗЗ и задачам наблюдения Земли