Περίληψη
Αντικείμενο της παρούσας διδακτορικής διατριβής αποτελεί η σεισμική ανίχνευση προσωπικού και η σεισμική και ακουστική αναγνώριση και κατηγοριοποίηση οχημάτων στα Ασύρματα Δίκτυα Αισθητήρων, με έμφαση στην ενεργειακή απόδοση και την χαμηλή κατανάλωση. Οι συγκεκριμένες εφαρμογές αποτελούν αναπόσπαστο τμήμα ενός ολοκληρωμένου συστήματος φυσικής ασφάλειας χώρων, όπως συνόρων και μεγάλων εγκαταστάσεων, στις οποίες δεν είναι πάντα αυτονόητη η ύπαρξη μόνιμης πηγής ενέργειας για την τροφοδότησή του. Τα Ασύρματα Δίκτυα Αισθητήρων αποτελούνται από μικρές αυτόνομες συσκευές, τους Ασύρματους Κόμβους, που είναι ικανοί να «αισθάνονται» τον φυσικό κόσμο, μέσω κατάλληλων αισθητήρων, να επεξεργάζονται ή και να αποθηκεύουν τις μετρήσεις και να επικοινωνούν ασύρματα. Τροφοδοτούνται συνήθως από μπαταρίες, που η διάρκεια ζωής τους εξαρτάται άμεσα από το χρησιμοποιούμενο υλικό, την επεξεργαστική ισχύ της υπολογιστικής μονάδας, αλλά κυρίως από τον τρόπο με τον οποίο το λογισμικό του κόμβου διαχειρίζεται το δ ...
Αντικείμενο της παρούσας διδακτορικής διατριβής αποτελεί η σεισμική ανίχνευση προσωπικού και η σεισμική και ακουστική αναγνώριση και κατηγοριοποίηση οχημάτων στα Ασύρματα Δίκτυα Αισθητήρων, με έμφαση στην ενεργειακή απόδοση και την χαμηλή κατανάλωση. Οι συγκεκριμένες εφαρμογές αποτελούν αναπόσπαστο τμήμα ενός ολοκληρωμένου συστήματος φυσικής ασφάλειας χώρων, όπως συνόρων και μεγάλων εγκαταστάσεων, στις οποίες δεν είναι πάντα αυτονόητη η ύπαρξη μόνιμης πηγής ενέργειας για την τροφοδότησή του. Τα Ασύρματα Δίκτυα Αισθητήρων αποτελούνται από μικρές αυτόνομες συσκευές, τους Ασύρματους Κόμβους, που είναι ικανοί να «αισθάνονται» τον φυσικό κόσμο, μέσω κατάλληλων αισθητήρων, να επεξεργάζονται ή και να αποθηκεύουν τις μετρήσεις και να επικοινωνούν ασύρματα. Τροφοδοτούνται συνήθως από μπαταρίες, που η διάρκεια ζωής τους εξαρτάται άμεσα από το χρησιμοποιούμενο υλικό, την επεξεργαστική ισχύ της υπολογιστικής μονάδας, αλλά κυρίως από τον τρόπο με τον οποίο το λογισμικό του κόμβου διαχειρίζεται το διαθέσιμο υλικό και την επικοινωνία. Τα ιδιαίτερα αυτά χαρακτηριστικά των Ασύρματων Δικτύων Αισθητήρων τα καθιστούν ιδανικά για εφαρμογές φυσικής ασφάλειας χώρων. Η ανίχνευση και αναγνώριση προσωπικού και οχημάτων όμως, έχει ιδιαίτερες απαιτήσεις σε επεξεργασία σήματος και πολλές φορές απαιτούν ασύρματους κόμβους με γρηγορότερους και ισχυρότερους μικροεπεξεργαστές, γεγονός που αυξάνει την κατανάλωση ενέργειας και μειώνει τον χρόνο ζωής τους. Στα πλαίσια της εργασίας ερευνώνται τεχνικές και λύσεις τόσο σε επίπεδο υλικού, όσο και σε επίπεδο λογισμικού και διαχείρισης υλικού από το λογισμικό, οι οποίες θα επιτρέψουν την επιτυχή ανίχνευση προσωπικού και την αναγνώριση οχημάτων από έναν ασύρματο κόμβο, εφοδιασμένο με ακουστικούς και σεισμικούς αισθητήρες και έναν απλό μικροελεγκτή των 8-bit. Ταυτόχρονα οι λύσεις θα πρέπει να είναι ενεργειακά αποδοτικές, ώστε ο κόμβος, να λειτουργεί ανεπιτήρητος, για το μεγαλύτερο δυνατό χρονικό διάστημα. Συγκεκριμένα, στον τομέα της ανίχνευσης προσωπικού αναζητούνται τα ιδιαίτερα χαρακτηριστικά της σεισμικής διαταραχής, που προκαλεί ένας άνθρωπος, όταν περπατά. Οι δονήσεις του εδάφους καταγράφονται από ένα πιεζοηλεκτρικό επιταχυνσιόμετρο και διενεργείται η κατάλληλη επεξεργασία του σήματος από τον κόμβο, ο οποίος λαμβάνει και την απόφαση για την προέλευσή τους, αν δηλαδή προέρχονται από ένα άτομο, που περπατά ή από κάποιο άλλο αίτιο. Οι προτεινόμενες μέθοδοι δοκιμάζονται με πραγματικά σήματα σε επίπεδο προσομοίωσης και τελικά υλοποιούνται στον κόμβο Mica2Dot. Με χρήση τεχνικών εξοικονόμησης ενέργειας, όπως την προγραμματισμένη απενεργοποίηση των υποσυστημάτων του κόμβου, όταν αυτά δεν χρησιμοποιούνται, η μέση κατανάλωση μπορεί να μειωθεί έως και 82%, φτάνοντας τα 9,89 mW και η μέγιστη εκτιμώμενη διάρκεια ζωής του Ασύρματου Κόμβου Ανίχνευσης Προσωπικού να φτάσει τις 37,53 ημέρες, όταν τροφοδοτείται από 2 απλές μπαταρίες τύπου ΑΑ των 2700 mAh. Στον τομέα της ακουστικής και σεισμικής αναγνώρισης οχημάτων αναζητούνται λύσεις, που ξεφεύγουν από τις κλασσικές μεθόδους ανάλυσης και επεξεργασίας του σήματος στο πεδίο της συχνότητας ή του μετασχηματισμού κυματιδίων. Για την αποφυγή των αυξημένων αναγκών τους σε επεξεργαστική ισχύ, άρα και ενέργεια, προτείνεται η ανάλυση με χρήση μιας μεθόδου κωδικοποίησης και επεξεργασίας του σήματος στο πεδίο του χρόνου, της μεθόδου TESPAR, που έχει χρησιμοποιηθεί στο παρελθόν επιτυχώς για την αναγνώριση φωνής. Η μέθοδος προσαρμόζεται κατάλληλα, ώστε να κωδικοποιεί με μεγάλη ακρίβεια τις ακουστικές και σεισμικές υπογραφές των οχημάτων, σχεδόν σε πραγματικό χρόνο. Τα ιδιαίτερα χαρακτηριστικά του κωδικοποιημένου σήματος, που επιτρέπουν την διάκριση μεταξύ των οχημάτων, συγκεντρώνονται σε ένα μονοδιάστατο πίνακα, το χαρακτηριστικό διάνυσμα, το οποίο χρησιμοποιείται για την κατηγοριοποίηση των οχημάτων με χρήση ενός κατηγοριοποιητή Τεχνητού Νευρωνικού Δικτύου και ενός κατηγοριοποιητή ελάχιστης απόστασης. Η μέθοδος δοκιμάζεται και βελτιώνεται σε επίπεδο προσομοίωσης με πραγματικά ακουστικά και σεισμικά σήματα δύο τύπων οχημάτων, ενός τροχοφόρου φορτηγού και ενός ερπυστριοφόρου οχήματος. Η επίδοση της μεθόδου σε περιβάλλον προσομοίωσης φτάνει το 88 %, ποσοστό συγκρίσιμο με άλλες μεθόδους, που αναφέρονται στη βιβλιογραφία και χρησιμοποιούν το ίδιο σύνολο πειραματικών δεδομένων. Στη συνέχεια η μέθοδος προσαρμόζεται και υλοποιείται στον Ασύρματο Κόμβο Mica2 και δοκιμάζεται η επίδοση της ακουστικής αναγνώρισης τριών κλάσεων οχημάτων (λεωφορείου, αυτοκινήτου, μοτοσικλέτας) με ποσοστό ορθών ανιχνεύσεων 62-90%. Η μέση κατανάλωση ενέργειας μπορεί να φτάσει τα 3,35 mW, όταν η κατηγοριοποίηση γίνεται από τον κόμβο και η μέγιστη εκτιμώμενη διάρκεια ζωής του Ασύρματου Κόμβου Αναγνώρισης Οχήματος φτάνει τις 110 ημέρες.
περισσότερα
Περίληψη σε άλλη γλώσσα
The subject of this Doctoral Thesis is seismic personnel detection and seismic and acoustic vehicle recognition and classification in Wireless Sensor Networks, with emphasis on energy efficiency and low power consumption. These applications form part of a complete physical security system used to protect large areas of interest such as large facilities or borders, where permanent power supply is not always available. Wireless Sensor Networks consist of small, battery powered devices, also known as Sensor Nodes, which are able to sense the surrounding environment with electronic sensors, process and/or store data and communicate wirelessly. The span of life of the nodes depends on their hardware, the processing capabilities of the processing unit and the algorithms used, but mostly on the way hardware and communications are used by the node's software. The unique characteristics of WSNs make them ideal for physical security applications. However, personnel and vehicle detection is quite ...
The subject of this Doctoral Thesis is seismic personnel detection and seismic and acoustic vehicle recognition and classification in Wireless Sensor Networks, with emphasis on energy efficiency and low power consumption. These applications form part of a complete physical security system used to protect large areas of interest such as large facilities or borders, where permanent power supply is not always available. Wireless Sensor Networks consist of small, battery powered devices, also known as Sensor Nodes, which are able to sense the surrounding environment with electronic sensors, process and/or store data and communicate wirelessly. The span of life of the nodes depends on their hardware, the processing capabilities of the processing unit and the algorithms used, but mostly on the way hardware and communications are used by the node's software. The unique characteristics of WSNs make them ideal for physical security applications. However, personnel and vehicle detection is quite demanding in signal processing and Sensor Nodes often require a faster and more capable microprocessor, which consume extra power reducing their operational life. In this work we investigate both hardware and software low- power techniques, which will enable successful personnel detection and vehicle recognition on a simple Sensor Node, equipped with acoustic and seismic sensors and a simple 8-bit microcontroller. In the field of personnel detection the special characteristics of the seismic vibrations, produced by a walking person, are examined. Ground vibrations are recorded using a piezoelectric accelerometer and processed accordingly by the wireless sensor node, which decides if they are generated from a walking person or some other seismic event. The proposed algorithms are tested in simulation level with real signals. They are finally implemented in hardware on the Mica2Dot sensor node. Using power saving techniques such as scheduled disabling of unused subsystems of the node, average power consumption can be reduced by 82%, reaching 9,89 mW. Maximum estimated battery life of the Personnel Detection Node can reach 37,53 days, when powered by 2 simple 2700 mAh, AA type batteries. In the field of acoustic and seismic vehicle recognition approaches other than traditional frequency-domain signal processing or wavelets are investigated. Such methods are very demanding in processing resources and energy. A time-domain signal processing and encoding method, used in the speaker identification task, known as TESPAR, is introduced instead. The method is adapted to the new environment and further extended to accurately encode the acoustic and seismic signatures of vehicles almost in real time. The special characteristics of the encoded signal, that enable good discrimination between different vehicle types, are grouped in a one-dimensional matrix, the feature vector. Classification of the feature vectors is performed by an Artificial Neural Network and a minimum distance classifier. Simulation tests with real acoustic and seismic signals from two vehicles, a heavy wheeled truck and a tracked vehicle, showed that performance can reach as high as 88%. The performance is comparable with existent, more complex methods using the same dataset. The method is implemented in hardware on the Mica2 sensor node and the resulting Vehicle Recognition Node is able to recognize three classes of vehicles (car, bus, and motorcycle) based on their acoustic signature with an accuracy of 62-90%. Average power consumption can reach 3,35 mW when classification is done by the sensor node and maximum battery life is estimated to 110 days.
περισσότερα