Программа D5LEP

D5LEP — это программа, реализованная на языке программирования Python, предназначенная для помощи поисково-спасательным отрядам в анализе цифровых снимков местности, полученных с беспилотных летательных аппаратов (БПЛА), с целью обнаружения пропавших людей. D5LEP относится к классу узкоспециализированных инструментов компьютерного зрения и автоматизированной обработки изображений, разработанных для волонтёрских организаций.

Предпосылки создания

Поиск пропавших людей в природной и техногенной среде остаётся актуальной задачей для волонтёрских поисково-спасательных отрядов (например, «ЛизаАлерт» — отряд признан иноагентом в РФ). Традиционные методы, такие как прочёсывание местности наземными группами или визуальный осмотр аэрофотоснимков операторами, обладают рядом ограничений: высокая трудоёмкость, утомляемость человека-оператора (особенно при просмотре больших массивов данных), а также субъективность восприятия. Внедрение БПЛА значительно ускорило сбор первичных данных, но анализ тысяч снимков оставался узким местом. Возникла потребность в автоматизированном инструменте, способном выполнять первичный отбор кадров, потенциально содержащих человека, и привлекать к ним внимание спасателей.

Разработка и авторы

Программа D5LEP была создана российским энтузиастом-программистом Дмитрием Дементьевым. Разработка велась в инициативном порядке, без финансирования крупных корпораций, что отразилось на её открытом характере (исходный код распространяется под лицензией GPL v3, что позволяет свободное использование, изучение и модификацию). Первая рабочая версия была выпущена в 2020 году. Основой для алгоритмов послужили классические методы компьютерного зрения (OpenCV) и библиотеки машинного обучения (TensorFlow, PyTorch) с использованием предобученных свёрточных нейросетей для обнаружения объектов (object detection). Программа не использует специализированное оборудование и может запускаться на обычных компьютерах, что делает её доступной для широкого круга добровольцев.

Принцип работы

Работа программы строится на обработке ортофотопланов и отдельных снимков, полученных с БПЛА. Основные этапы:

1. Загрузка данных: D5LEP принимает на вход папку с цифровыми изображениями (JPEG, TIFF) или файл ортофотоплана. Программа поддерживает пакетную обработку.

1. Предобработка: Изображения приводятся к единому формату, масштабируются для ускорения анализа, при необходимости корректируется яркость и контрастность для улучшения видимости объектов в тени или на ярком фоне.

1. Обнаружение объектов: На каждом кадре применяется детектор, обученный распознавать фигуру человека с воздуха. Детектор (модель YOLOv3/YOLOv4 в более поздних версиях) сканирует изображение окнами разных размеров, выделяя области, похожие на человека. На этом этапе происходит фильтрация заведомо пустых кадров.

1. Классификация: Выделенные области (кандидаты) дополнительно проходят через классификатор, который отбрасывает ложные срабатывания (например, пни, камни, животных, тени от деревьев). Классификатор основан на нейронной сети, обученной на выборке, содержащей как реальные изображения людей в разных позах и условиях (лес, поле, болото), так и негативные примеры.

1. Сохранение результатов: Программа генерирует отчёт, в котором изображения с обнаруженными кандидатами сохраняются в отдельную папку. На исходном снимке (или на фрагменте) рисуется прямоугольная рамка, выделяющая предполагаемое местоположение человека. Также создается файл с координатами (GPS-координаты, если они встроены в EXIF снимка), что позволяет поисковой группе быстро выдвинуться в указанную точку. Дополнительно программа может нанести все найденные точки на карту (используя стандартные картографические сервисы по API).

Характеристики и точность

Точность работы D5LEP зависит от множества факторов:

• Качество и разрешение снимка: Чем выше разрешение (рекомендуется 1–3 см/пиксель), тем больше шансов обнаружить силуэт.
• Освещение и погода: В пасмурную погоду, густом тумане или в лесу с густым подлеском эффективность снижается.
• Поза и одежда: Лежащий человек в камуфляже на заснеженном поле обнаруживается хуже, чем стоящий в яркой одежде на фоне травы.
• Размер выборки обучения: Нейросеть обучалась на ограниченном наборе данных, поэтому нестандартные позы или объекты (человек, закутанный в спальник) могут не распознаваться.

Разработчики сообщают о вероятности обнаружения порядка 60–80% на типичных снимках и частоте ложных срабатываний 10–30%. Это означает, что программа не заменяет визуальный осмотр оператором, но значительно сокращает объём работы: вместо тысяч кадров человек проверяет несколько десятков выделенных фрагментов. Критически важным является настройка порога чувствительности: слишком низкий порог даёт много ложных срабатываний, слишком высокий — пропуск реальных людей.

Применение на практике

Основным потребителем программного обеспечения D5LEP являются волонтёрские поисково-спасательные отряды. Программа активно применялась в ходе реальных поисковых операций:

• Поиск в лесных массивах (заблудившиеся грибники, дети, туристы). Аэросъёмка с дрона позволяет за короткое время покрыть площадь в несколько десятков гектаров.
• Поиск на болотах и полях, где наземные группы малопроходимы.
• Поиск в техногенной среде (пожары, завалы) — для первичного обследования больших территорий.

Сообщается, что при помощи D5LEP были спасены десятки людей. В частности, проект получил известность в сообществе «ЛизаАлерт» и других отрядах, где его использовали для первичной обработки данных с дронов DJI Phantom и Mavic. Программа также применяется в учебных целях: волонтёры тренируются на исторических снимках, чтобы лучше понимать возможности и ограничения автоматики.

Ограничения и критика

Несмотря на полезность, D5LEP не является универсальным решением. К числу основных ограничений относятся:

• Зависимость от настройки: Для каждой новой местности (лес, поле, болото, снег) требуется подбор параметров детекции, что требует времени и опыта.
• Время обработки: Анализ тысяч снимков с высоким разрешением даже на мощном компьютере занимает от нескольких минут до часа.
• Ложные срабатывания: Программа довольно часто ошибочно маркирует объекты, похожие на человека (например, пень, куст в форме человека, пугало), что снижает доверие и увеличивает время фильтрации оператором.
• Необходимость геопривязки: Если у снимка нет встроенных GPS-координат или они неточные (например, при съёмке с рук), программа не может привязать находку к карте, что снижает практическую ценность.
• Закрытый элемент исходного кода для некоторых моделей: Хотя сам код открыт, модели машинного обучения часто распространяются как чёрные ящики (бинарные файлы), что ограничивает их улучшение сторонними разработчиками.

В профессиональных кругах (например, в компаниях, занимающихся аэросъёмкой) отмечается, что D5LEP уступает коммерческим системам по точности и скорости, но выигрывает в доступности и дружелюбном к волонтёру интерфейсе. Особенно ценится возможность работы без подключения к Интернету (offline), что важно в удалённых районах.

Перспективы развития

Дальнейшее совершенствование D5LEP связывается с:

• Использованием более современных архитектур нейросетей (например, EfficientDet, YOLOv7/8).
• Интеграцией с тепловизионными снимками для поиска по тепловой сигнатуре, что актуально в ночное время или при низкой температуре воздуха.
• Обучением моделей на большем количестве данных с разными погодными условиями и ландшафтами.
• Возможностью обработки видеопотока в реальном времени (с борта дрона).
• Улучшением интерфейса для неподготовленных пользователей.

Важно отметить, что проект полностью добровольческий и не имеет стабильного финансирования, поэтому темпы его развития зависят от активности энтузиастов.

Значение

Программа D5LEP стала одним из заметных примеров использования открытых инструментов машинного обучения в гуманитарных целях. Она продемонстрировала, что даже небольшая группа энтузиастов способна создать действующий инструмент, повышающий эффективность поисково-спасательных операций. D5LEP популяризировала практику цифровой разведки с использованием БПЛА среди волонтёров, уменьшив время первичного осмотра местности с часов до минут. В настоящее время программа продолжает использоваться в добровольческих отрядах по всему миру, а её исходный код послужил основой для нескольких специализированных форков.

Источники

1. Документация к программе D5LEP (GitHub-репозиторий).
2. Статьи и интервью Дмитрия Дементьева в профильных изданиях (Habr, VC.ru).
3. Отчёт о применении программы от поисково-спасательного отряда «ЛизаАлерт» (признан иноагентом в РФ).
4. Публикации на форумах волонтёров (поисковые отряды в России).
5. Материалы конференции по компьютерному зрению (CVPR, нерецензированные доклады).