УДК 004.891

Модель знаний экспертной системы поиска нарушений техники безопасности методом видеоанализа

Захаров Михаил Александрович – преподаватель кафедры «Компьютерные системы и сети» Московского государственного технического университета им. Н.Э. Баумана (Национального исследовательского университета)

Маранин Александр Юрьевич – магистрант Московского государственного технического университета им. Н.Э. Баумана (Национального исследовательского университета)

Аннотация: В работе рассматриваются основные модели знаний экспертных систем: продукционная модель, фреймовая модель. Предложена схема фреймовой модели экспертной системы поиска нарушений техники безопасности методом видеоанализа.

Ключевые слова: экспертная система, продукционная модель знаний, фреймовая модель знаний, фреймы, техника безопасности, видеомониторинг.

Введение

Основной целью производственной безопасности на предприятиях является нулевой травматизм сотрудников. Крупные организации устанавливают разветвленные системы видеомониторинга для обнаружения случаев нарушения техники безопасности сотрудниками, производственным процессом и опасными объектами. Подобные системы помогают превентивно проводить мероприятия для предотвращения нарушений и способны значительно уменьшить последствия несчастных случаев.

Для анализа видеозаписей и приходящих видеопотоков в реальном времени лучше всего подходят экспертные системы, способные временно заменить специалиста-эксперта по технике безопасности. Основной отличительной особенностью экспертных систем от других автоматизированных систем является возможность накопления знаний и опыта в некоторой узкоспециализированной предметной области и в пределах этой области принимать решения на уровне профессионала.

База знаний, типы знаний

В системах видеомониторинга входными данные являются видеопотоки с камер, механизмами – модуль принятия решений экспертной системы, эксперты по технике безопасности, операторы-наблюдатели и инженеры по знаниям. Управление системы осуществляется базой знаний и наборами данных алгоритмов классификации объектов. На рисунке 1 приведена контекстная диаграмма экспертной системы видеомониторинга в нотации IDEF0.

Рисунок 1. Контекстная диаграмма экспертной системы видеомониторинга.

Одним из основных компонентов экспертной системы является база знаний. База знаний хранит знания в формализованном виде. Под знаниями понимают различные правила, факты и другую информацию о свойствах сущностей. На основе знаний могут быть порождены новые знания. Мощность экспертной системы определяется мощностью базы знаний и способностью получать, структурировать и использовать эти знания. Плохая проработка модели знаний может привести к неудачной реализации и низкой технологичности экспертной системы, в таком случае для модификации или добавлении новых знаний может потребоваться перепроектирование всей системы в целом.

Эксперты-специалисты в своей профессиональной деятельности принимают решения на интуитивном уровне, поэтому не всегда могут четко сформулировать свои знания. Знания могут передаваться в текстовом, звуковом, изобразительном виде, а также в виде жестов. Формализацией знаний обычно занимаются инженеры по знаниям, и вносят знания в систему, используя модуль накопления знаний экспертной системы.

Обычно в экспертных системах используются модели знаний трех типов: продукционная модель, фреймовая модель и семантические сети.

Под продукционной моделью понимают представление знаний при помощи фактов и правил.

Общий вид правил продукции:

, где

R – знак правила;

i – имя правила;

Q – сфера применения правила;

 – ядро правила;

P – условие применимости ядра продукции;

N – постусловие продукции.

При этом ядра продукции могут быть детерминированные и недетерминированные. В детерминированных ядрах при актуализации ядра и при выполнении условия продукции выполнение постусловия обязательно. В недетерминированных – выполнение условия необязательно.

Общий вид механизма логического вывода можно представить в виде:

 , где

F – факты;

R – правила;

I – интерпретатор (решатель).

Решатель можно представить в виде:

 , где

V – механизм выбор активных фактов и правил;

M – процесс сопоставления;

C – процесс разрешение конфликтов при возникновении ситуаций противоречивости правил;

W – механизм выполнения означенного правила.

Недостатком продукционной модели является сложность проверки всех правил на непротиворечивость. Продукционную модель знаний обычно используется в небольших экспертных системах, количество правил в которых не превышает одну тысячу.

Семантические сети представляют собой модели знаний, в основе которых лежат понятия сетей, образованных с помощью вершин и дуг. Вершины в семантических сетях являются фактами или сущностями, дуги – предикаты, связывающие факты вместе.

Модель знаний, составленную из семантических сетей, обычно применяют для синтаксических и семантических анализаторов. Не все знания возможно представить с помощью семантических сетей. Для принятия решений в процессе поиска нарушений техники безопасности при обработке видеопотоков семантические сети сложно применимы.

Под фреймовой моделью знаний обычно понимают знания, представленные с помощью фреймов и шаблонов.

Фрейм — это отдельные единицы представления знаний, некий формальный шаблон, соответствующий событию, явлению или событию. Фрейм представляет собой структуру, в которой есть слоты для хранения других знаний. Имя фрейма также является знанием. У каждого слота есть имя и значение. Также у слота может быть присоединительная процедура, выполняющие какие-либо вычисления для конкретизации слота.

В общем виде фрейм можно представить:

, где

F – знак фрейма;

N – имя фрейма;

– имя слота;

– значение слота;

– присоединительная процедура;

n – количество слотов в фрейме.

Одной из важных особенностей фреймов является возможность “незаполнения” слотов. Слоты могут быть заполнены уже во время работы системы в реальном времени для конкретизации этого фрейма. Значением слотов могут быть данные, факты, другие фреймы и семантические сети [2, с. 355].

Для означивания фреймов может использоваться конъюнкция всех или части конкретизированных слотов, конкретизация определяющий слотов (по достаточному принципу), высчитыванием суммарного веса конкретизированных слотов. Группы семантически близких друг к другу фреймов объединены в систему фреймов [3, с. 7].

С помощью фреймовой модели можно представить все многообразие знаний о мире через: фреймы-структуры, фреймы-роли, фреймы-сценарии, фреймы-ситуации [1, с. 169]. Фреймы представляют собой процедурно-декларативные структуры, с помощью которых удобно описать предметную область, связанную с поиском нарушений техники безопасности.

Основным недостатком фреймовой модели является сложность изменения сети фреймов.

Схема фреймовой модели знаний экспертной системы

Эксперт вносит знания в экспертную систему, используя модуль накопления знаний. Вводимые знания включаю в себя информацию о зонах, классифицируемых объектах (людях или механизмах), а также правила сопоставления зон и обнаруженных объектов.

Информация о зонах включает в себя:

• графическую информацию (разметку) зон, собранную при использовании интерфейсных инструментальных средств или выбором сегментов, на которые разделена сцена;
• класс зоны;
• дополнительные параметры зон, такие как пользовательское название зоны, цвет или описание.

Информация об обнаруженных объектах включает в себя:

• класс обнаруженного объекта, который может быть механизмом или человеком;
• дополнительные свойства объекта, такие как наличие средств индивидуальной защиты (защитных касок, перчаток, жилеты), особенности покраски.

Все фреймы объектов, зон и правил включают в себя уникальный номер фрейма, задаваемый системой автоматически.

Информация о правилах включает в себя:

• номер выбранной зоны;
• класс обнаруженного объекта;
• возможные дополнительные свойства объекта;
• постусловие (действие, выполняемое после выполнения ядра продукции).

На рисунке 2 изображена схема фреймовой модели экспертной системы видеомониторинга.

Рисунок 2. Схема фреймовой модели экспертной системы видеомониторинга.

Для определения класса объекта используется модуль классификации. Подобный модуль может строиться на базе механизмов искусственных нейронных сетей или машинного обучения. Область машинного зрения предоставляет широкие возможности обнаружения и распознавания объектов, ставя в соответствие обнаруженным объектам определенные классы. Для корректной работы алгоритмов машинного зрения требуется специально настроенный набор данных (датасет) для поиска нужных системе классов объектов.

Каждый обнаруженный объект представляет собой фрагмент знаний – факт. Модуль классификации пытается распознать класс этого объекта и его дополнительные свойства. Если класс объекта – человек, то дополнительными свойствами может быть наличие средств индивидуальной защиты (защитные каска и перчатки, жилет). После определения свойств объекта слоты фрейма заполняются и фрейм объекта конкретизируется.

Система постоянно проверяет фреймы правил, пытаясь найти соответствие между конкретизированными фреймами объектов и фреймов с размеченными зонами. При срабатывании фрейма-правила выполняется присоединительная процедура, заданная экспертом. Присоединительной процедурой может быть запись в журнал, сохранение кадра изображения или короткой видеозаписи, а также оповещение оператора наблюдателя.

Заключение

При разработке базы знаний экспертной системы видеомониторинга наиболее подходящими способами представления знаний является продукционная модель фреймовая модель знаний. Продукционная модель подходит для небольших систем с малым (до одной тысячи) количеством правил. Фреймовая модель подходит для больших систем, модификация модели знаний которых не планируется.

Список литературы

1. Гаврилова Т. А. Инженерия знаний. Модели и методы: учебник для вузов / Т. А. Гаврилова, Д. В. Кудрявцев, Д. И. Муромцев. – 6е изд., стер. – Санкт-Петербург: Лань, 2023. – 324 с.: ил. – Текст: непосредственный.
2. Минский М. Машина эмоций / Марвин Минский [перевод с английского В. Дегтяревой, А. Курышевой]. – Москва: Издательство АСТ, 2020. – 512 с.
3. Минский М. Фреймы для представления знаний: Пер. с англ. – М.: Энергия, 1979 .–152 с., с ил.