Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 1. С. 55-66
Методика сегментации изображений беспилотных летательных аппаратов с помощью нейронных сетей
М.Ю. Катаев
1 , Е.Ю. Карташов
1 , В.В. Рябухин
1 , Е.В. Макаров
1 , О.А. Пасько
2 1 Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
2 Национальный открытый институт г. Санкт-Петербург, Санкт-Петербург, Россия
Одобрена к печати: 31.01.2023
DOI: 10.21046/2070-7401-2023-20-1-55-66
Беспилотные летательные аппараты (БПЛА) получили широкое распространение в различных отраслях народного хозяйства, в том числе в сельском хозяйстве. Их преимущество заключается в высокой скорости и значительной площади сельскохозяйственных (с.-х.) полей, захватываемых цифровым изображением (ортофотопланы). Это снижает долю рутинной работы и сокращает время контроля за состоянием с.-х. культур соответствующими специалистами. Значительный технологический прогресс в области средств разработки конструкции БПЛА, методик измерений, программного обеспечения обработки результатов измерений (изображений) позволил сформировать такое направление, как «точное земледелие». Обработка полученных изображений типично выполняется или методами компьютерного зрения, или с помощью нейронных сетей, а в последнее время — с помощью свёрточных нейронных сетей (СНС). Несмотря на то, что СНС стали мощным инструментом решения задач обработки изображений БПЛА, есть задачи, которые ещё решаются недостаточно точно с помощью как методов компьютерного зрения, так и СНС. Приведена методика сегментации СНС изображений с.-х. полей, полученных с помощью БПЛА. Рассмотрены особенности решения задачи с учётом малого количества материалов для обучения СНС, а также приведены полученные результаты.
Ключевые слова: беспилотный летательный аппарат, БПЛА, изображение, свёрточная нейронная сеть, сегментация
Полный текстСписок литературы:
- Беспилотные летательные аппараты: справоч. пособие. Воронеж: Науч. кн., 2015. 616 с.
- Биард Р. У., МакЛэйн Т. У. Малые беспилотные летательные аппараты: теория и практика / пер. с англ. А. И. Демьяникова; под ред. Г. В. Анцева. М.: Техосфера, 2015. 312 с.
- Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и приложения: учеб. пособие. Казань: Изд-во Казанского ун-та, 2018. 121 с.
- Головко В. А. Нейросетевые технологии обработки данных: учеб. пособие / ред. В. А. Головко, В. В. Краснопрошин. Минск: БГУ, 2017. 263 с.
- Гонсалес Р. С., Вудс Р. Е. Цифровая обработка изображений / пер. с англ.; под ред. П. А. Чочиа. М.: Техносфера, 2005. 1072 с.
- Катаев М. Ю., Ёлгин К. С., Сорокин И. Б. Методы технического зрения для картирования состояния сельскохозяйственных полей // Докл. Томского гос. ун-та систем управления и радиоэлектроники. 2018. Т. 21. № 4. С. 75–80. DOI: 10.21293/1818-0442-2018-21-4-75-80.
- Катаев М. Ю., Карташов Е. Ю., Кузнецов А. А. Методика кластеризации с.-х. полей по RGB-изображениям беспилотных летательных аппаратов // Докл. Томского гос. ун-та систем управления и радиоэлектроники. 2021. Т. 24. № 3. С. 50–56. DOI: 10.21293/1818-0442-2021-24-3-50-56.
- Ковязин В. Ф., Пасько О. А., Лепихина О. Ю., Трушников В. Е. Оценка точности инвентаризации лесных земель с применением воздушного лазерного сканирования // Геодезия и картография. 2022. № 6. С. 54–63. DOI: 10.22389/0016-7126-2022-984-6-54-63.
- Лимонов А. Н., Гаврилова Л. А. Фотограмметрия и дистанционное зондирование. М.: Акад. проект, 2018. 297 с.
- Нехин С. С., Олейник С. В. Автоматизация фотограмметрического сбора трехмерной информации на ЦФС // Изв. высш. учеб. заведений. Геодезия и аэрофотосъемка. 2011. № 2. С. 70–74.
- Пасько О. А., Захарченко А. В. Кадастровые и геоэкологические характеристики особо ценных продуктивных сельскохозяйственных угодий // Изв. Томского политехн. ун-та. Инжиниринг георесурсов. 2020. Т. 331. № 11. С. 7–19. DOI: 10.18799/24131830/2020/11/2881.
- Пластинин А. И., Куприянов А. В., Ильясова Н. Ю. Разработка методов формирования цвето-текстурных признаков для анализа биомедицинских изображений // Компьютерная оптика. 2007. Т. 31. № 2. С 82–85.
- Прогноз научно-технологического развития агропромышленного комплекса Российской Федерации на период до 2030 года / М-во сельского хоз-ва Российской Федерации. М.: НИУ ВШЭ, 2017. 141 с.
- Савин И. Ю., Лупян Е. А., Барталев С. А. Оперативный спутниковый мониторинг состояния посевов сельскохозяйственных культур в России // Геоматика. 2011. № 2(11). С. 69–76.
- Созыкин А. В. Обзор методов обучения глубоких нейронных сетей // Вестн. Южно-Уральского гос. ун-та. Сер. «Вычислительная математика и информатика». 2017. T. 6(3). C. 28–59. https://doi.org/10.14529/cmse170303.
- Тихонов А. А., Акматов Д. Ж. Обзор программ для обработки данных аэрофотосъемки // Горный информационно-аналит. бюл. 2018. № 12. С. 192–198. DOI: 10.25018/0236-1493-2018-12-0-192-198.
- Ткачева А. А., Фаворская М. Н. Моделирование трехмерных сцен лесных участков по данным лазерного сканирования и аэрофотоснимкам // Информационно-управляющие системы. 2015. Т. 6(79). С. 40–49. DOI: 10.15217/issn1684-8853.2015.6.40.
- Точное сельское хозяйство / под ред. Д. Шпаара, А. Захаренко, В. Якушева. СПб.; Пушкин, 2009. 397 с.
- Труфляк Е. В., Курченко Н. Ю., Креймер А. С. Мониторинг и прогнозирование в области точного сельского хозяйства по итогам 2021 г. Краснодар: КубГАУ, 2022. 210 с.
- Фетисов В. С. Беспилотная авиация: терминология, классификация, современное состояние. Уфа: Изд-во «Фотон», 2014. 217 с.
- Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход: пер. с англ. А. В. Назаренко, И. Ю. Дорошенко. М.: Изд. дом «Вильямс», 2004. 928 с.
- Хайкин С. Нейронные сети: полный курс. 2-е изд. / пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова; под ред. Н. Н. Куссуль. М.: Изд. дом «Вильямс», 2006. 1104 с.
- Шагайда Н. И., Узун В. Я. Тенденции развития и основные вызовы аграрного сектора России // Экономика с.-х. и перерабатывающих предприятий. 2017. № 9. С. 2–9.
- Якушев В. П., Дубенок Н. Н., Лупян Е. А. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 11–23. DOI: 10.21046/2070-7401-2019-16-3-11-23.
- Bhatt D., Patel C., Talsania H. CNN Variants for Computer Vision: History, Architecture, Application, Challenges and Future Scope // Electronics. 2021. V. 10(20). Art. No. 2470. 28 p. https://doi.org/10.3390/electronics10202470.
- Escamilla-Garcia A., Soto-Zarazua G. M., Toledano-Ayala M., Rivas-Araiza E., Gastelum-Barrios A. Applications of Artificial Neural Networks in Greenhouse Technology and Overview for Smart Agriculture Development // Applied. Sciences. 2020. V. 10(11). Art. No. 3835. 43 p. https://doi.org/10.3390/app10113835.
- Kasajima I. Measuring plant colors // Plant Biotechnology. 2019. V. 36(2). P. 63–75. https://doi.org/10.5511/plantbiotechnology.19.0322a.
- Pasko O., Staurskaya N., Zakharchenko A., Zharnikov V., Larionov Y. Bio-Farming as the Basis of Environmentally-Sustainable Arable Farming at the Time of Global Warming // Research Anthology on Strategies for Achieving Agricultural Sustainability. 2022. P. 600–627. DOI: 10.4018/978-1-6684-5352-0.ch031.
- Priya S. Identification of weeds using HSV color spaces and labelling with machine learning algorithms // Intern. J. Recent Technology and Engineering. 2019. V. 8(1). P. 1781–1786.
- Ryan M. Agricultural Big Data Analytics and the Ethics of Power // J. Agricultural and Environmental Ethics. 2019. V. 33. P. 49–69. https://doi.org/10.1007/s10806-019-09812-0.
- Wang A. A., Zhang W., Wei X. A review on weed detection using ground-based machine vision and image processing techniques // Computers and Electronics in Agriculture. 2019. V. 158. P. 226–240. DOI: 10.1016/j.compag.2019.02.005.
- Zhong Y., Hu X., Luo C. WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2) benchmark datasets and classifier for precise crop identification based on deep convolutional neural network with CRF[J] // Remote Sensing of Environment. 2020. V. 250. 5 p. https://doi.org/10.48550/arXiv.2012.13920.