Как компания по обнаружению лесных пожаров Sintecsys привлекла сообщество Омдены для создания алгоритма обнаружения пожаров за два месяца.
Проблема: как остановить лесные пожары
2019 год ознаменовался очень большими пожарами.
Не только собор Нотредам в Париже и Национальный музей в моей стране, Бразилия, но и целые сложные экосистемы, такие как лесные пожары Амазонки и совсем недавно в Австралии.
Прежде чем мы углубимся в то, как обнаруживать и останавливать лесные пожары на ранней стадии с помощью нашего инструмента искусственного интеллекта, созданного сообществом (ссылка на страницу задач), давайте разберемся, как возникают лесные пожары.
- Природные пожары. Обычно природные пожары возникают от молнии, небольшая часть которых возникает в результате самовозгорания.
- Пожары, вызванные деятельностью человека. Люди вызывают пожары разными способами, такими как курение, отдых, подготовка почвы для сельского хозяйства и т. д. Техногенные пожары составляют наибольшую процентную долю пожаров, но природные пожары представляют собой большие выгоревшие площади. Это происходит потому, что техногенные возгорания обнаруживаются раньше, а естественные пожары могут быть выявлены компетентными органами в течение нескольких часов.
Независимо от причин, когда лес, как на Амазонке, начинает гореть, огонь может распространяться и достигать скорости до 23 км / ч и достигать температуры 800 ° C (1470 ° F) уничтожение растений и животный мир в течение нескольких часов (иногда даже способствующий исчезновению видов).
Хуже того, пожары повреждают планету из-за CO2, что способствует глобальному потеплению.
Помимо нарушения климата, это влияет на небо и качество воздуха в огромном мегаполисе, таком как Сан-Паулу, самом важном экономическом и производственном центре моей страны.
В 15:00 19 августа 2019 года появилось черное небо в результате встречи холодного фронта с частицами огня, исходящими от пожаров Амазонки и Среднего Запада в моей стране.
День превратился в ночь, и было ощущение, что мы живем в библейской чуме, описанной в Ветхом Завете. Действительно страшно!
Среди большого количества дезинформации выделялся один пост от НАСА, проливающий фундаментальный научный свет на этот вопрос.
На изображении ниже вы видите цветной спутниковый снимок с высоким разрешением, показывающий, как дым от огня распространился на юго-восточные штаты моей страны.
В Бразилии и во многих других местах мира мы видели, что пожары оставили тысячи бездомных, привели к гибели многих людей, материальному ущербу и, к сожалению, это будет не последний раз в истории человечества, когда разрушительные пожары распространяются.
Как ИИ может помочь остановить лесные пожары?
Можно ли помочь своей стране (и другим странам)? Есть ли способ использовать для этого силу сообщества и ИИ?
Вызов Омдены
По данным бразильской компании по обнаружению лесных пожаров Sintecsys: да!
Это подтверждает растущая клиентская база Sintecsys, состоящая из фермерских и лесных хозяйств. Компания устанавливает камеры на вышках связи для захвата изображений, которые отправляются в центр мониторинга. Как только на изображениях обнаружен огонь (или дым), он отправляет оповещения и меры по тушению пожара. Это экономит жизни и сокращает расходы на инфраструктуру.
Sintecsys не одинока в своей миссии, так как есть много других компаний по всему миру, которые также очень успешно выполняют эту миссию.
Компания установила 50 вышек, распределенных в Бразилии (данные за 2019 год.
Чтобы расширить охват клиентов и масштабировать свою бизнес-модель до тысяч камер с возможностью точного и быстрого обнаружения вспышек лесных пожаров, в игру вступают возможности искусственного интеллекта Omdena.
Omdena - это глобальная платформа, на которой организации сотрудничают с разнообразным сообществом ИИ для более быстрого и эффективного поиска решений реальных проблем.
Как команда решила проблему
# 1 Определение проблемы
Чтобы решить эту проблему, Omdena и Sintecsys согласились работать с дневными изображениями в своей первой совместной задаче, а во второй задаче улучшить решение, работая с ночными изображениями.
Основное различие между дневными и ночными изображениями для обнаружения пожара заключается в том, что днем на изображениях обычно виден дым, а ночью на этих изображениях виден живой огонь. И закат, и рассвет, где дым и живой огонь сосуществуют на изображениях, представляют собой граничные условия для проблемы.
# 2 Работа с набором данных
Набор данных был действительно большим, включая кадры и изображения с разных камер, как со вспышками пожаров, так и без них. Объединив предоставленные исходные изображения, у нашей команды было почти 7600 изображений размером 1920 x 1080 (дневные изображения без вспышек пожаров, дневные изображения с пожарами и некоторые ночные изображения (около 16%)) для начала маркировки.
Чтобы добавить еще больше изображений, Gary Diana построила алгоритм, позволяющий успешно извлекать изображения из отснятого материала и в то же время избегать генерации изображений с одинаковым ландшафтом среди них (дедупликация). Эта инициатива добавила в наш набор данных еще 1.150 изображений размером 1280 x 720 пикселей.
# 3 Этикетка с помощью Labelbox
Подготовив наборы данных для маркировки, мы собрали около 20 человек, посвятивших себя этой задаче, создали среды на Labelbox, который является лучшим инструментом для компьютерного зрения, позволяющим маркировать данные, управлять их качеством и управлять производственным конвейером данных обучения. а затем, наконец, мы начали проводить тесты и маркировать окончательные наборы данных.
Я справился с задачей, но получил огромную поддержку со стороны Алены Галевой, которая помогла всей команде не только маркировкой, но и проверкой и управлением работой каждого.
По ее собственным словам:
Когда группа людей работает над проектом по маркировке, все начинается с беспорядка. В нашем случае Labelbox сэкономил нам много времени и усилий, не позволив нескольким пользователям маркировать одни и те же данные. Вдобавок ко всему, это облегчило нашу жизнь, предложив 4 роли: этикетировщик, рецензент, менеджер группы и администратор. Итак, никто не мог связываться с источниками данных, форматами данных и, конечно же, с ярлыками, сделанными другими людьми.
После того, как оба набора данных были помечены, команда конвейера данных сгенерировала следующие файлы обучения, проверки и тестирования.
# 4 Построение моделей
С самого начала команда искала и изучала несколько первоклассных работ с различными методами, которые можно было применить для решения проблемы.
Команда задач создала несколько команд для разных задач, каждая из которых сосредоточилась на испытании разных подходов: мобильная сеть, семантическая сегментация, сверточные нейронные сети (CNN) - от простых архитектур до более сложных.
Еще одно яркое свидетельство этого шага исходит от Даниэль Паес Барретто:
Было приятно видеть людей, стремящихся достичь больших результатов. Я старался помогать во всех задачах; от маркировки данных до построения моделей CNN и их тестирования на нашем наборе данных. У нас также были частые дискуссии, которые, на мой взгляд, являются одним из лучших способов обучения. В общем, это была прекрасная возможность учиться и использовать свои знания во благо, встречаясь с замечательными людьми!
Кроме того, для улучшения результатов были успешно применены разные методы, такие как создание пятен разного размера на исходных изображениях и обучение поверх участков, увеличение данных (например, горизонтальное и вертикальное переворачивание), шумоподавление изображений и т. Д.
# 5 Результаты
Окончательные решения смогли достичь отзыва от 95% до 97%, при этом уровень ложных срабатываний составлял от 20% до 33%, что означает, что эти решения были чрезвычайно успешными в отлове от 95% до 97% реальных вспышек пожаров. В то время как партнер по вызову Sintecsys очень доволен результатами, во втором задании мы улучшим текущие модели, добавив изображения в ночное время.
Процесс изучения
Как и любое другое испытание в Омдене, это был насыщенный и эпический путь познания.
Нет более мощного инструмента, чем запачкать руки в реальном мире.
По словам сотрудника Илиана Варгас:
Когда я услышал об Омдене, я не подумал дважды и подал заявку на вызов.
В целом, опыт, который я получил в проекте, меня очень порадовал, не только в технической части, но и в том, что касается участия в сообществе. У нас была отличная команда профессионалов, но, прежде всего, у нас были люди, готовые поделиться своими знаниями с проектом, имеющим социальную пользу.
Что дальше?
Следующий естественный шаг - улучшить модель и добиться еще лучших результатов. Путь к созданию надежных передовых технологий, которые не только укрепят позиции Sintecsys, но также позволят компании продвинуться еще дальше в их бизнес-модели и ценностном предложении.
Как сообщество в Omdena, я рад построить лучший мир, двигать человеческий дух вперед и помогать организациям создавать решения с искусственным интеллектом для реальных проблем.
Соавторы
Я не смог бы закончить эту статью, не поблагодарив каждого из моих коллег по этому вызову, который сделал все возможное:
Илиана Варгас, Джун Сон Парк, Саньям Сингх, Рохит Пол, Темитоп Кекере, Ашиш Гупта, Авикант Шривастава, Даниэль Паес Барретто де Арруда Камара, Эрик Массип, Кент Мок, Критика Рупаулиха, Леона Хаммельрат, Назгул Мамашеатасугутара Нитхитхарджи Ризки Фаджар Нугрохо, Робин Фамилара, Салил МишраСам Масикини, Таня Диксит, Шон Дэймон, Яш Бангера, Абхишек Уннам, Александр Ласкорунский, Амун Ведал, Анджело Манзатто, Билли Чжао, Карсон Бентли, Лукаш Микахадко, Янгадко Азахо, Саанджо, Саанге Алена Галиева, Ана Мария Лопес Морено, Брайан Серрон, Гэри Диана, Кеннеди Каманде Вангари, Лассе Бёлинг, Пунам Лигаде, Сергей Шеховцов, Кумар Манкала, Франсуа-Гийом Фернандес и Йемисси Кифули.
ИСТОЧНИКИ:
Sintecsys
Labelbox, Labelbox, Интернет, 2020 г. [Интернет]. Доступно: https://labelbox.com
