ИНТЕЛЛЕКТУАЛЬНАЯ ОБРАБОТКА ДАННЫХ МОНИТОРИНГА СИСТЕМ ВОДОСНАБЖЕНИЯ И ВОДООТВЕДЕНИЯ С ПРИМЕНЕНИЕМ БЕСПИЛОТНЫХ АВИАЦИОННЫХ СИСТЕМ

Введение

Беспилотные авиационные системы (БПЛА) все шире применяются для мониторинга объектов водоснабжения и водоотведения (ВиВ), обеспечивая получение высокодетализированных мультимодальных данных: ортофотопланов (разрешение до 1 см/пикс), термограмм (до 10 см/пикс), мультиспектральных изображений и облаков точек LiDAR (10–50 точек/м²). Однако лавинообразный рост объемов этих данных делает традиционные методы обработки (визуальный контроль, фотограмметрия, ГИС) недостаточно эффективными. Согласно исследованиям, ручной анализ инженером-дефектоскопистом требует от 2 до 8 часов на один объект, а пропуск дефектов на ранних стадиях достигает 20–30%.

В последние годы методы искусственного интеллекта активно внедряются в задачи мониторинга инфраструктуры. Для гидротехнических сооружений показана эффективность архитектур U-Net и DeepLab для сегментации дефектов, а YOLO – для обнаружения объектов. Прогнозирование временных рядов параметров состояния сооружений успешно реализуется с использованием LSTM и гибридных моделей.

Цель настоящей работы – разработка и апробация комплекса методов интеллектуальной обработки мультимодальных данных БПЛА для автоматизированного выявления дефектов и раннего прогнозирования деградационных процессов объектов ВиВ.

Материалы и методы

Формальная постановка задачи

Пусть имеется множество объектов мониторинга O={o1,...,on}. Для каждого объекта в моменты времени T={t1,...,tm} с помощью БПЛА формируется набор данных Xt={Ivis,Itherm,Imulti,Plidar}. Основной задачей является построение функции F(X)→S, определяющей состояние объекта. Состояние SS кодируется как кортеж:

S=(s_class,s_severity,s_trend,s_remaining_time)

где s_class ∈ {норма, трещина, коррозия, фильтрация, деформация}, s_severity ∈ [0,1] – степень деградации, s_trend​ – тренд, s_remaining_time​ [дни] – прогнозируемое время до критического порога.

Предобработка данных

Для каждого типа данных применены специализированные методы фильтрации:

1. Медианная фильтрация изображений: окно 3×3 пикселя,
g(x,y)=median{f(x+i,y+j)∣i,j∈[−1,0,1]}.

где g(x,y) – выходное значение фильтра в точке (x,y), f(x+i,y+j) – входные значения пикселей в окрестности, i,j – смещения по осям X и Y (от -1 до 1), [−1,0,1] – координаты ядра 3×3 пикселя.

2. SOR-фильтрация облаков точек LiDAR (Statistical Outlier Removal): для каждой точки вычисляется среднее расстояние до kk ближайших соседей, точка удаляется при di>μ+α⋅σ.

где di – среднее расстояние от i-й точки до k ближайших соседей, μ – среднее арифметическое всех di по облаку точек, σ – стандартное отклонение всех di, α – смльтипликатор (коэффициент)​.

Рекомендованные параметры: k=50, α=1,0−1,5.

3. CLAHE (Contrast Limited Adaptive Histogram Equalization) для коррекции пересветов: clipLimit=2.0, tileGridSize=(8,8).

Типовые артефакты БПЛА и методы их устранения приведены в таблице 1.

Таблица 1.

Тип артефакта	Причина	Метод устранения	Параметры
Смаз (motion blur)	Скорость БПЛА >10 м/с	Деканволюция (Wiener filter)	SNR 20–30 дБ
Пересвет (overexposure)	Яркое солнце, отражение	CLAHE	clip_limit=2.0, grid=8×8
Тени (shadows)	Низкое солнце	Retinex-коррекция	Масштаб экспериментально
Выбросы в облаке точек	Многолучевость	SOR-фильтрация	k=50, α=1,5

 

Архитектура нейросетевых моделей

Сегментация дефектов (U-Net). Выбор U-Net обоснован наличием skip-connections, позволяющих сохранять пространственную информацию для локализации мелких дефектов (трещины шириной 2–5 пикселей). Физическая интерпретация: трещины (высокочастотные признаки) сохраняются через ранние skip-соединения (уровни 1–2), зоны фильтрации (низкочастотные) – через поздние (уровни 3–4).

Прогнозирование деградации (LSTM). LSTM выбран ввиду способности учитывать долгосрочные временные зависимости, что критически важно для медленно развивающихся процессов деградации (осадка, коррозия). Механизм вентилей LSTM интерпретируется физически: forget gate забывает кратковременные флуктуации, input gate записывает новое повреждение, cell state хранит интегральную меру накопленного повреждения.

ct=ft⊙ct−1+it⊙gt

Метрики оценки

Качество сегментации оценивалось по метрикам Precision, Recall, F1-score и IoU:

IoU=∣Mpred∩Mtrue∣∣Mpred∪Mtrue∣, F1=2⋅Precision⋅RecallPrecision+Recall

Точность прогнозирования – по MAE и RMSE.

Результаты

Формирование базы данных

База данных сформирована по результатам многолетних облетов объектов ВиВ. Разметка (ground truth) выполнена с привлечением экспертов. Процедура валидации: групповая 5-кратная кросс-валидация по объектам (во избежание утечки данных), распределение выборки 60/20/20.

Детектирование дефектов (U-Net)

Результаты применения U-Net на тестовой выборке представлены в таблице 2.

Таблица 2.

Результаты применения U-Net на тестовой выборке

Тип дефекта	Precision	Recall	F1	IoU
Трещина	0,87	0,91	0,89	0,78
Фильтрация	0,94	0,92	0,93	0,87

 

Значение F1 > 0,85 для класса «трещина» считается приемлемым для задач мониторинга инфраструктуры. Аналогичные результаты (F1=0,84–0,91) получены в независимых исследованиях по сегментации дефектов гидротехнических сооружений.

Сравнение с бейзлайн-методом (пороговая сегментация по тепловому каналу) показало повышение F1 на 37% для трещин и на 25% для фильтрации при использовании U-Net (таблица 3).

Таблица 3.

Сравнение с бейзлайн-методом

Метод	F1 (трещина)	F1 (фильтрация)	Время обработки (мин/кадр)
Пороговая сегментация	0,52	0,68	0,5
U-Net (предложенный)	0,89	0,93	3,0

 

Временные затраты снизились с 2–8 часов (ручной анализ) до 10–30 минут на объект при использовании GPU.

Прогнозирование деградационных процессов (LSTM)

Модель LSTM обучалась на временных рядах параметров осадки сооружений (10+ временных точек). Сравнение с ARIMA показало снижение MAE на 20–25% и RMSE на 15–20%. Достигнутая точность: MAE = 2,3 мм, RMSE = 3,1 мм (горизонт прогноза – 3 месяца). Эти результаты согласуются с данными других исследований, где LSTM демонстрирует преимущество в моделировании нелинейных зависимостей по сравнению с классическими методами.

Для сценариев многошагового прогнозирования (5 дней) модель сохраняет R2>0,7R2>0,7, что свидетельствует о пригодности для краткосрочного прогнозирования при частичном отсутствии граничных условий.

Пространственно-временной анализ (k-means)

Кластеризация мультиспектральных данных (NDWI и другие спектральные индексы) позволила выделить зоны с различным уровнем загрязнения акватории. Выбор числа кластеров осуществлялся по методу «локтя» и коэффициенту силуэта. Интеграция результатов с ГИС обеспечивает визуализацию пространственного распределения загрязнений.

Обсуждение

Сравнение с аналогами

Предложенный комплекс отличается от известных решений интеграцией трех типов задач в единой архитектуре: сегментация дефектов, прогнозирование деградации и пространственная кластеризация. Это позволяет перейти от реактивного к предиктивному управлению инфраструктурой.

Ограничения методов

U-Net. Ложные срабатывания (FP) на участках с мокрым бетоном достигают 12%, на тенях от сооружений – 8%. Пропуски дефектов (FN): трещины шириной <2 пикселей (при съемке с высоты >50 м) – до 15%. Решения: аугментация обучающей выборки тенями, использование теплового канала в паре с RGB (FP снижаются на 30%).

LSTM. Требует не менее 10 временных точек для обучения. При частоте облетов реже 1 раза в год модель не обучается. Рекомендуемый горизонт прогноза – ≤1/3 длины истории.

Переносимость моделей. Снижение IoU при переносе между типами сооружений (резервуар → трубопровод) составляет 15–25%, требуется дообучение на 50–100 размеченных кадрах целевого типа объекта.

Перспективы развития

Дальнейшие исследования будут направлены на применение Transformer-архитектур для сегментации (при накоплении достаточного объема данных), использование генеративно-состязательных сетей (GAN) для улучшения подводных изображений, а также федеративное обучение для объединения данных различных организаций без нарушения требований безопасности.

Заключение

В работе разработан и апробирован комплекс методов интеллектуальной обработки данных мониторинга ВиВ с применением БПЛА:

1. U-Net обеспечивает сегментацию дефектов с F1=0,89–0,93, что на 37% выше пороговых методов.
2. LSTM прогнозирует деградационные процессы с ошибкой MAE=2,3 мм, снижая MAE на 20–25% по сравнению с ARIMA.
3. k-means на мультиспектральных данных выделяет зоны загрязнения акватории.
4. Предложенная многоуровневая архитектура программного комплекса интегрирует все этапы обработки данных.

Разработанные методы могут быть внедрены в существующие ГИС-системы предприятий ВиВ для автоматизации мониторинга и поддержки принятия решений, что подтверждается сокращением временных затрат на анализ с 2–8 часов до 10–30 минут на объект.