Studenci KN Machine Learning zwycięzcami HackCarpathia w kategorii „Wyzwanie Dronowe”
Członkowie Koła Naukowego Machine Learning działającego na Wydziale Matematyki i Fizyki Stosowanej Politechniki Rzeszowskiej zwyciężyli w kolejnej edycji maratonu programistycznego HackCarpathia, w kategorii „Wyzwanie Dronowe”. Organizatorami tego wydarzenia byli Wyższa Szkołę Informatyki i Zarządzania w Rzeszowie oraz Podkarpackie Centrum Innowacji.
O wydarzeniu
W tegorocznym hackathonie wzięło udział ponad 200 uczestników z 10 krajów, w tym eksperci i mentorzy. Uczestnicy rywalizowali w ramach trzech wyzwań: „Wyzwanie AI LOT”, które polegało na stworzeniu aplikacji mailowej reklamującej produkty i oferty linii lotniczych dla klientów, „Wyzwanie Dronowe”, w ramach którego zadaniem uczestników było stworzenia aplikacji na dron wykrywającej ogniska pożarów w lasach i informującej o dokładnym ich położeniu służby ratownicze. W ramach Wyzwania Otwartego uczestnicy mieli do wyboru cztery kategorie: Gaming, Sztuczna inteligencja (AI), Zrównoważony rozwój i ekologia oraz Cyberbezpieczeństwo. Motywem przewodnim wszystkich tych kategorii były „Osoby starsze”. Rywalizacja trwała 24 godziny i powstało 50 projektów w trzech głównych kategoriach, a najlepsze z nich nagrodzono.
W wydarzeniu uczestniczyli członkowie Koła Naukowego Machine Learning, w którym działają studenci kierunku inżynieria i analiza danych na Wydziale Matematyki i Fizyki Stosowanej Politechniki Rzeszowskiej. To właśnie oni zostali zwycięzcami w kategorii „Wyzwanie Dronowe” i otrzymali nagrodę, którą jest kurs pilota drona dla każdego członka zespołu. Zespół z Politechniki Rzeszowskiej w składzie: Magdalena Błażej, Rafał Bazan, Jakub Piasek i Michał Wysocki, zaprezentował projekt Wild Guard, czyli Inteligentny System Wczesnego Ostrzegania Przeciwpożarowego.
Opis projektu Wild Guard
Wild Guard to zintegrowany system oparty na sztucznej inteligencji, którego celem jest wykrywanie, analiza i prognozowanie zagrożeń pożarowych na terenach leśnych. System wykorzystuje dane pochodzące zarówno z dronów patrolujących lasy, jak i z satelitów, umożliwiając ocenę ryzyka zapłonu oraz śledzenie rozprzestrzeniania się ognia.
System gromadzi dane z różnych źródeł. Drony wyposażone są w kamery wizualne i termowizyjne (stereo, RGB i IR), czujniki dymu i jakości powietrza analizujące m.in. stosunek tlenu do CO₂. Dodatkowo rejestrowane są dane z systemów pozycjonowania GPS/RTK oraz lokalne warunki meteorologiczne, takie, jak kierunek i siła wiatru. Drony mogą być sterowane ręcznie, półautonomicznie lub za pomocą komend głosowych. Równocześnie wykorzystywane są dane satelitarne, w tym informacje o pogodzie (temperatura, wilgotność, opady, wiatry) oraz dane z otwartych źródeł, jak NASA czy NOAA.
Wszystkie dane trafiają do centralnego systemu obliczeniowego, gdzie przechodzą wstępne przetwarzanie, m.in. oczyszczanie i standaryzację. Następnie analizowane są przez model uczenia maszynowego wytrenowany na danych meteorologicznych z okresów sprzed i po wystąpieniu pożarów. Model ten ocenia ryzyko powstania pożaru, wykrywa obecność ognia lub dymu oraz prognozuje potencjalny kierunek rozprzestrzeniania się ognia. W ramach przetwarzania wizji komputerowej wykorzystywany jest algorytm YOLOv5, który w czasie rzeczywistym analizuje obraz z kamer dronów, wykrywając ogień i dym. System został wytrenowany na różnych zbiorach danych, jak FLAME 3, Roboflow Wildfire Smoke Dataset, NASA Fire Dataset (Space Apps 2018) oraz Smoke and Fire Detection Dataset.
Wyniki analizy prezentowane są w formie interaktywnej mapy ryzyka, która dzieli teren na siatkę stref zagrożenia. Mapa pokazuje m.in. procentowe ryzyko zapłonu, aktualne wykrycia ognia wraz ze współrzędnymi GNSS oraz przewidywany kierunek rozprzestrzeniania się pożaru. System generuje również alerty i powiadomienia, które automatycznie wysyłane są do zewnętrznych systemów zarządzania, np. BMS czy C2 przez REST API. Każde powiadomienie zawiera czas, lokalizację i rodzaj zagrożenia.
REST API systemu umożliwia integrację z systemami zarządzania kryzysowego, przesyłanie wykryć z lokalizacją GNSS i dokładnym czasem zdarzenia, a także odbieranie danych z dronów i systemów pogodowych.
W ramach planu rozwoju projektu przewidywana jest rozbudowa zbiorów danych, m.in. o informacje regionalne oraz dane historyczne pochodzące z nadleśnictw. System ma być modularny, co pozwoli na łatwą integrację nowych sensorów i źródeł danych. Kluczowym elementem rozwoju będzie również nawiązanie współpracy z instytucjami państwowymi takimi, jak Lasy Państwowe czy Straż Pożarna. Planowane jest także rozszerzenie funkcji mapy zagrożeń o komponent predykcyjny oparty na uczeniu sekwencyjnym (np. z użyciem sieci LSTM) oraz dalsze udoskonalanie autonomii dronów w celu pełnej automatyzacji misji patrolowych.
