Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 18. № 1. С. 116-126

Семантическая сегментация поврежденных деревьев пихты на снимках с беспилотных летательных аппаратов

И.А. Керчев 1 , К.А. Маслов 2 , Н.Г. Марков 2 , О.С. Токарева 2 
1  Институт мониторинга климатических и экологических систем СО РАН, Томск, Россия
2 Национальный исследовательский Томский политехнический университет, Томск, Россия
Одобрена к печати: 09.12.2020
DOI: 10.21046/2070-7401-2021-18-1-116-126
В последние годы сверточные нейронные сети нашли применение при анализе космических снимков и изображений земной поверхности, полученных с использованием беспилотных летательных аппаратов. Особенно полезной оказалась их способность к автоматическому извлечению признаков изображения (текстур и форм объектов). В статье описана проблема анализа состояния деревьев пихты по снимкам с беспилотных летательных аппаратов, дана характеристика объектов исследования и проведен разведочный анализ исходных данных, позволивший осуществить проектирование новой модели сверточной нейронной сети. Предложена модель сверточной нейронной сети, основанная на архитектуре полносверточной нейронной сети U-Net. С ее помощью решается задача семантической сегментации изображений пихтовых насаждений, поврежденных уссурийским полиграфом, полученных с помощью беспилотных летательных аппаратов. Приведена архитектура предложенной модели нейронной сети и решены основные задачи, касающиеся процессов ее обучения и оценивания качества семантической сегментации, полученной с помощью этой модели. Результаты исследования показали довольно высокую эффективность модели при классификации пикселей классов «Фон», «Живые», «Свежий сухостой» и «Старый сухостой». Предложены пути повышения эффективности разработанной модели.
Ключевые слова: уссурийский полиграф, деревья пихты, беспилотный летательный аппарат, семантическая сегментация изображений, сверточная нейронная сеть, U-Net.
Полный текст

Список литературы:

  1. Кривец С. А., Бисирова Э. М., Волкова Е. С., Дебков Н. М., Керчев И. А., Мельник М. А., Никифоров А. Н., Чернова Н. А. Технология мониторинга пихтовых лесов в зоне инвазии уссурийского полиграфа в Сибири: метод. пособие. Томск: УМИУМ, 2018. 74 с.
  2. Пашенова Н. В., Петько В. М., Керчев И. А., Бабичев Н. С. Перенос офиостомовых грибов уссурийским полиграфом Polygraphus proximus Blandford (Coleoptera, Scolytidae) в Сибири // Изв. Санкт-Петербургской лесотехнич. акад. 2012. № 200. С. 114–120.
  3. Проведение санитарно-оздоровительных мероприятий в лесных насаждениях, повреждённых Уссурийским полиграфом, на территории Удмуртской Республики // ФБУ «Рослесозащита». 22.04.2020. URL: http://perm.rcfh.ru/news/22860.html.
  4. Санников П. Ю., Андреев Д. Н., Бузмаков С. А. Выявление и анализ сухостоя при помощи беспилотного летательного аппарата // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 3. С. 103–113. DOI: 10.21046/2070-7401-2018-15-3-103-113.
  5. Berie H. T., Burud I. Application of unmanned aerial vehicles in earth resources monitoring: focus on evaluating potentials for forest monitoring in Ethiopia // European J. Remote Sensing. 2018. V. 51. Iss. 1. P. 326–335. DOI: 10.1080/22797254.2018.1432993.
  6. Bystrov S. O., Antonov I. A. First record of the four-eyed fir bark beetle Polygraphus proximus Blandford, 1894 (Coleoptera, Curculionidae: Scolytinae) from Irkutsk province, Russia // Entomological Review. 2019. V. 99. No. 1. P. 54–55. DOI: 10.1134/S001387381901007X.
  7. Chenari A., Erfanifard Y., Dehghani M., Pourghasemi H. R. Woodland Mapping at Single-Tree Levels Using Object-Oriented Classification of UAV Images // Intern. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2017. V. XLII-4/W4. P. 43–49. DOI: 10.5194/isprs-archives-XLII-4-W4-43-2017.
  8. Gini R., Sona G., Ronchetti G., Passoni D., Pinto L. Improving Tree Species Classification Using UAS Multispectral Images and Texture Measures // Intern. J. Geo-Informatics. 2018. V. 7. Iss. 8. P. 315. DOI: 10.3390/ijgi7080315.
  9. Hossin M., Sulaiman M. N. A Review on Evaluation Metrics for Data Classification Evaluations // Intern. J. Data Mining and Knowledge Management Process. 2015. V. 5. No. 2. P. 1–11. DOI: 10.5121/ijdkp.2015.5201.
  10. Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift // arXiv preprint. arXiv:1502.03167. 2015. 11 p. URL: https://arxiv.org/abs/1502.03167.
  11. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization // arXiv preprint. arXiv:1412.6980. 2014. 15 p. URL: https://arxiv.org/abs/1412.6980.
  12. Lee S., Park S., Baek G., Kim H., Lee C. Detection of Damaged Pine Tree by the Pine Wilt Disease Using UAV Image // Korean J. Remote Sensing. 2019. V. 35. No. 3. P. 359–373. DOI: 10.7780/kjrs.2019.35.3.2.
  13. McInnes L., Healy J., Melville J. UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction // arXiv preprint. arXiv:1802.03426. 2018. 51 p. URL: https://arxiv.org/abs/1802.03426.
  14. Onishi M., Ise T. Automatic Classification of Trees Using a UAV Onboard Camera and Deep Learning // arXiv preprint. arXiv:1804.10390. 2018. 9 p. URL: https://arxiv.org/abs/1804.10390.
  15. Pashenova N. V., Kononov A. V., Ustyantsev K. V., Blinov A. G., Pertsovaya A. A., Baranchikov Yu. N. Ophiostomatoid fungi associated with the four-eyed fir bark beetle on the territory of Russia // Russian J. Biological Invasions. 2018. V. 9. No. 1. P. 63–74. DOI: 10.1134/S2075111718010137.
  16. Rahman M. A., Wang Y. Optimizing Intersection-Over-Union in Deep Neural Networks for Image Segmentation // Advances in Visual Computing: Intern. Symp. Visual Computing. Lecture Notes in Computer Science. Springer, 2016. V. 10072. P. 234–244. DOI: 10.1007/978-3-319-50835-1_22.
  17. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // arXiv preprint. arXiv:1505.04597. 2015. 8 p. URL: https://arxiv.org/abs/1505.04597.
  18. Rousseeuw P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis // J. Computational and Applied Mathematics. 1987. V. 30. P. 33–65. DOI: 10.1016/0377-0427(87)90125-7.
  19. Safonova A., Tabik S., Alcaraz-Segura D., Rubtsov A., Maglinets Y., Herrera F. Detection of Fir Trees (Abies sibirica) Damaged by the Bark Beetle in Unmanned Aerial Vehicle Images with Deep Learning // Remote Sensing. 2019. V. 11. No. 6. Art. No. 643. 19 p. DOI: 10.3390/rs11060643.