اخبار – آلبوکوئرک، شمال مکزیک – بسیاری از ساختمان‌ها و تأسیسات امنیت ملی برای شناسایی افراد و سایر اشیاء نزدیک به دوربین‌ها و شبکه‌های حسگر متکی هستند، اما شرایط آب و هوایی می‌تواند به سرعت دید آنها را پنهان کند. برای درک نحوه عملکرد این سیستم ها، محققان آزمایشگاه ملی ساندیا عمدا مه غلیظ و باران شدید را در یک محفظه کنترل شده بازسازی می کنند.
این تیم با استفاده از دوربین‌ها و حسگرهای تجاری موجود، میزان قابل اعتماد بودن سیستم‌ها را اندازه‌گیری کردند که افراد در دید کاهش یافته را شناسایی می‌کنند و اینکه آیا یادگیری ماشینی می‌تواند تشخیص افراد و سایر اشیاء را بهبود بخشد.
این کار در اتاق مه آزمایشگاه ملی Sandia انجام می شود، جایی که محققان می توانند مه غلیظ و با قابلیتی که اخیراً اضافه شده است، باران شدید را بسازند و اندازه گیری کنند. با تکرار شرایط شناخته شده، محققان می توانند به جای انتظار برای آب و هوای مناسب در فضای باز، سنسورها را در شرایط یکسان مقایسه کنند.
کریستین پاتین، مهندس نوری و محقق اصلی مرکز، گفت: «ایجاد این محیط‌ها در یک محفظه کنترل‌شده به ما امکان می‌دهد تا تحقیقاتی را برنامه‌ریزی کنیم که به شرایط قابل اعتماد و قابل تکرار نیاز دارد، نه اینکه منتظر زمان مناسب برای ضربه زدن باشیم.»
سیستم باران جدید قابلیت‌های تست دوربین را فراتر از مه گسترش می‌دهد و طیف وسیع‌تری از محیط‌های بصری تخریب‌شده را برای ارزیابی دوربین‌ها و سایر حسگرها در اختیار محققان قرار می‌دهد.
تست در باران و مه
پتین و تیم دوربین مه تاسیسات را اداره می کنند و به مشتریان داخلی و خارجی کمک می کنند تا حسگرها را برای کاربردهای مختلف آزمایش کنند.
برای این پروژه، مهندس کامپیوتر ماریا پریماورا و تیمش شش دوربین خارج از قفسه، از جمله یک دوربین حرارتی را وارد اتاق کردند. هدف جمع آوری داده های مقایسه ای در مورد نحوه عملکرد دوربین های تجاری در دید کم است.
محققان دوربین ها را در دو ردیف در یک قاب محافظ شفاف نصب کردند و همزمان رها کردند. Primavera گفت که سیستم‌های تجاری ممکن است با ادعاهای متفاوتی در مورد نحوه عملکرد آنها در محیط‌های چالش برانگیز باشند، اما راه‌اندازی دوربین‌ها در همان زمان باعث مقایسه منصفانه می‌شود. او گفت که اگر دوربین ها یک به یک آزمایش شوند، مه و هدف ممکن است کمی متفاوت باشند.
Primavera گفت: “فروشندگان مختلف ادعاهای متفاوتی در مورد نحوه عملکرد سیستم های خود دارند. در محیط های بصری تخریب شده، ما می خواهیم ببینیم که آیا این ادعاها درست هستند یا خیر، محدودیت های عملکرد چقدر است و عملکرد کجا خراب می شود.”
از یک اتاق کنترل خارج از دوربین، محققان دوربین ها را به رایانه هایی متصل کردند که نماهای زنده از آنچه هر دوربین می دید را نشان می داد. قبل از هر آزمایش، آنها انتشار گازهای گلخانه ای را بررسی می کردند و در صورت نیاز فوکوس را تنظیم می کردند.
این تیم همچنین دوربین‌ها را همگام‌سازی کردند و از ابزار ثبت داده‌ها برای ثبت زمان هر ضبط استفاده کردند تا بتوانند فیلم‌هایی را که همزمان توسط همه دوربین‌ها گرفته شده است، مقایسه کنند.
نتایج می‌تواند به تیم‌ها کمک کند تا درک کنند که سیستم‌های دوربین فعلی در شرایط دید کم چه کارهایی را می‌توانند انجام دهند و نمی‌توانند انجام دهند و داده‌هایی را برای ارزیابی رویکردهای یادگیری ماشین ارائه می‌کنند.
آب و هوای بد را تکرارپذیر کنید
پتین و تیم تاسیسات با تهیه مخلوطی از آب، یخ و نمک و وارد کردن آن به داخل محفظه، مه ایجاد می کنند، جایی که از نازل های نزدیک سقف پاشیده می شود. نمک با جذب آب به رشد ذرات کمک می کند، در حالی که یخ به کاهش دما کمک می کند.
در طول یک آزمایش، برخی از اعضای تیم تحقیقاتی از طریق دوربین در مسیرهای برنامه ریزی شده قدم می زنند، در حالی که برخی دیگر فید ویدیوی زنده را زیر نظر دارند.
برای آزمایش‌های باران، تأسیسات می‌تواند یک بارندگی کوتاه اما شدید در داخل محفظه ایجاد کند و از حدود 25 تا 30 گالن آب برای ایجاد 30 تا 60 ثانیه باران استفاده کند. آب از نازل های بالای سر بر روی لایه های مش پاشیده می شود، جایی که جمع می شود و قبل از جاری شدن به داخل محفظه، قطرات بزرگتری را تشکیل می دهد.
این دوربین از 16 نازل باران و 64 نازل مه شکن استفاده می کند. چراغ های LED و رشته ای را می توان برای ایجاد پروفایل های مختلف نور روشن یا خاموش کرد.
پریماورا گفت: “ما دوربین ها را در طیف کاملی از محیط ها، از جمله شرایط بدون بارش تا شدیدترین شرایط مه و بارانی که دوربین می تواند ایجاد کند، آزمایش کردیم.”
اندازه گیری زمان در دوربین
ایجاد مه یا باران تنها بخشی از آزمایش است. برای گره زدن عملکرد دوربین به شرایط خاص، تیم دوربین مه از ابزارهایی استفاده می کند که میزان مه یا باران در هوا و چگونگی تغییر آن در طول زمان را اندازه گیری می کند.
پتین گفت: “ما لیزرها را در طول اتاق مه شلیک می کنیم و آنها را روی آشکارسازهایی در انتهای دور جمع می کنیم.” با غلیظ تر شدن مه، سیگنال لیزر ضعیف تر می شود. این یک شاخص کمی قوی ارائه می دهد.
فرستنده سه باند این تیم، پرتوهای لیزر را در سه باند طول موج – نور مرئی، مادون قرمز موج کوتاه و حرارتی – به پایین دوربین می فرستد و اندازه می گیرد که چه مقدار از هر سیگنال به آشکارسازهای انتهایی می رسد.
محققان می توانند این اندازه گیری ها را با داده های اندازه ذرات ترکیب کنند تا تصویر کامل تری از محیط مه ایجاد کنند. این به آنها اجازه می‌دهد تا عملکرد دوربین را با شرایط اندازه‌گیری شده مقایسه کنند، نه اینکه صرفاً بر عبارات توصیفی مانند مه سبک یا سنگین تکیه کنند.
احتمال دوباره باران شدید
آندرس سانچز، مهندس شیمی، گفت که قابلیت جدید دوربین باران در پاسخ به علاقه مشتری به آزمایش سنسورها در باران و همچنین مه توسعه یافته است.
این تیم سیستم باران را برای هدف قرار دادن شرایط مشخص شده در استاندارد آزمایش محیطی MIL-STD-810H، از جمله میزان بارندگی خاص و اندازه قطرات، طراحی کرد.
سانچز گفت: «ما می توانیم با سرعت 12 اینچ در ساعت باران تولید کنیم. “این نشان دهنده بدترین سناریو یا یک باران شدید است.”
پتین گفت که تیم طراحی ویژگی جدید باران را بر اساس ادبیات علمی و تکنیک‌های جلوه‌های ویژه‌ای که برای ایجاد باران مصنوعی برای فیلم‌ها استفاده می‌شود، استوار کرد.
این افزونه به محققان اجازه می دهد تا فراتر از مطالعات مربوط به مه حرکت کنند و تجهیزات را در محدوده وسیع تری از شرایط آب و هوایی کنترل شده ارزیابی کنند.
مراحل بعدی
این آزمایش ها همچنین از یادگیری ماشینی با ارائه داده های مربوط به سطوح اندازه گیری شده مه یا باران پشتیبانی می کنند. محققان می‌توانند از این مجموعه داده‌های برچسب‌گذاری‌شده برای مقایسه مدل‌ها و تنظیمات رایانه در طیف کامل شرایط آب‌وهوایی استفاده کنند و بررسی کنند که آیا سیستم‌های خودکار همچنان می‌توانند اطلاعات مفیدی را هنگامی که تفسیر تصاویر برای انسان دشوار می‌شود استخراج کنند یا خیر.
پریماورا گفت: «این تسهیلات به ما اجازه می‌دهد سطوح مختلف باران و مه را آزمایش کنیم که مجموعه‌ای از داده‌های برچسب‌دار اولیه را برای آزمایش و آموزش الگوریتم‌های یادگیری ماشین در اختیار ما قرار می‌دهد. “داده های برچسب گذاری شده به درستی بسیار مهم است. حتی اگر انسان نتواند هدف را در برخی از ویدئوها ببیند، یک الگوریتم یادگیری ماشینی آموزش دیده می تواند.”
این کار در نهایت می تواند به محققان کمک کند تا درک بهتری از رویکردهای حسی با بدتر شدن دید و جایی که محدودیت های سیستم های فعلی شروع به ظهور می کنند مفید باقی بمانند.
تماس بگیرید [email protected] با سوالاتی در مورد امکانات یا بحث در مورد همکاری های احتمالی.
