När katastrofer inträffar – oavsett om det är en naturkatastrof som en översvämning eller jordbävning, eller en människa som orsakats som en masskjutning eller bombning – det kan vara extremt farligt att skicka in första responders, även om det finns människor som verkligen behöver hjälp.

Drönare är användbara, och hjälper till med återhämtningen efter de dödliga Alabama-tornadon, men de flesta kräver individuella piloter, som flyger det obemannade flygplanet med fjärrkontroll. Det begränsar hur snabbt räddningspersonal kan se ett helt drabbat område, och kan försena det faktiska biståndet från att nå offren.

Autonoma drönare kan täcka mer mark snabbare, men skulle bara vara mer effektivt om de på egen hand kunde hjälpa räddare att identifiera människor i nöd. Vid University of Dayton Vision Lab, vi arbetar med att utveckla system som kan hjälpa till att upptäcka människor eller djur – särskilt de som kan bli instängda av nedfallna skräp. Vår teknik efterliknar beteendet hos en mänsklig räddare, tittar kort på stora områden och väljer snabbt specifika regioner att fokusera på, att undersöka närmare.

Letar efter ett objekt i en kaotisk scen

Katastrofområden är ofta belamrade med fällda träd, kollapsade byggnader, upprivna vägar och annan oordning som kan göra det mycket svårt att upptäcka offer i behov av räddning.

Mitt forskarlag har utvecklat ett artificiellt neuralt nätverkssystem som kan köras i en dator ombord på en drönare. Detta system kan efterlikna några av de utmärkta sätt som människosyn fungerar. Den analyserar bilder som tagits av drönarens kamera och kommunicerar anmärkningsvärda fynd till mänskliga handledare.

Först, vårt system bearbetar bilderna för att förbättra deras tydlighet. Precis som människor kisar med ögonen för att justera fokus, Vår teknik tar detaljerade uppskattningar av mörkare områden i en scen och gör bilderna ljusare. När bilderna är för disiga eller dimmiga, systemet känner igen att de är för ljusa och minskar bildens vithet för att se själva scenen tydligare.

I en regnig miljö, mänskliga hjärnor använder en lysande strategi för att se klart. Genom att lägga märke till de delar av en scen som inte förändras – och de som gör det, när regndropparna faller – folk kan se ganska bra trots regn. Vår teknik använder samma strategi, kontinuerligt undersöka innehållet på varje plats i en bildsekvens för att få tydlig information om objekten på den platsen.

Vi har också utvecklat teknik som kan göra bilder från en drönarburen kamera större, ljusare och tydligare. Genom att utöka storleken på bilden, både algoritmer och människor kan se nyckelfunktioner tydligare.

Bekräfta föremål av intresse

Vårt system kan identifiera personer i olika positioner, såsom att ligga framskjuten eller krullad i fosterställning, även från olika betraktningsvinklar och under varierande ljusförhållanden.

Den mänskliga hjärnan kan titta på en vy av ett objekt och föreställa sig hur det skulle se ut från andra vinklar. När polisen utfärdar en larm som ber allmänheten att leta efter någon, de innehåller ofta ett stillbild-med vetskap om att tittarnas sinnen kommer att föreställa sig tredimensionella synpunkter på hur den personen kan se ut, och känner igen dem på gatan, även om de inte får exakt samma vy som bilden som erbjuds. Vi använder denna strategi genom att beräkna tredimensionella modeller av människor – antingen allmänna mänskliga former eller mer detaljerade projektioner av specifika människor. Dessa modeller används för att matcha likheter när en person dyker upp i en scen.

Vi har också utvecklat ett sätt att upptäcka delar av ett objekt, utan att se det hela. Vårt system kan tränas för att upptäcka och lokalisera ett ben som sticker ut under spillrorna, en hand som viftar på avstånd, eller ett huvud som dyker upp ovanför en hög med träklossar. Det kan skilja en person eller ett djur från ett träd, buske eller fordon.

Att sätta ihop bitarna

Under sin första genomsökning av landskapet, vårt system härmar inflygningen av en luftburen spotter, undersöka marken för att hitta möjliga föremål av intresse eller regioner värda ytterligare undersökning, och sedan titta närmare. Till exempel, en flygplanspilot som letar efter en lastbil på marken skulle vanligtvis ägna mindre uppmärksamhet åt sjöar, dammar, gårdsplaner och lekplatser - eftersom lastbilar är mindre benägna att vara i dessa områden. Vår autonoma teknologi använder samma strategi för att fokusera sökområdet till de mest betydande regionerna i scenen.

Sedan undersöker vårt system varje vald region för att få information om formen, struktur och textur av föremål där. När den upptäcker en uppsättning funktioner som matchar en människa eller del av en människa, det flaggar det som en plats för ett offer.

Drönaren samlar också in GPS-data om sin plats, och känner hur långt det är från andra objekt det fotograferar. Den informationen låter systemet beräkna exakt platsen för varje person som behöver hjälp, och larma räddare.

Hela denna process – att ta en bild, att bearbeta den för maximal synlighet och analysera den för att identifiera personer som kan vara instängda eller dolda – tar ungefär en femtedel av en sekund på den vanliga bärbara datorn som drönaren bär, tillsammans med sin högupplösta kamera.

Den amerikanska militären är intresserad av denna teknik. Vi har arbetat med U.S. Army Medical Research and Materiel Command för att hitta sårade individer på ett slagfält som behöver räddning. Vi har anpassat detta arbete för att betjäna energiföretag som söker efter intrång på rörledningsvägar av anläggningsutrustning eller fordon som kan skada rörledningarna. Allmännyttiga företag är också intresserade av att upptäcka eventuella nybyggnationer av byggnader nära rörledningsvägarna. Alla dessa grupper - och många fler - är intresserade av teknik som kan se som människor kan se, speciellt på platser som människor inte kan vara.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.