Семантическая сегментация повреждённых деревьев пихты на снимках с беспилотных летательных аппаратов; Современные проблемы дистанционного зондирования Земли из космоса; Т. 18, № 1
| Parent link: | Современные проблемы дистанционного зондирования Земли из космоса Т. 18, № 1.— 2021.— [С. 116-126] |
|---|---|
| Corporate Author: | |
| Other Authors: | , , , |
| Summary: | Заглавие с экрана В последние годы свёрточные нейронные сети нашли применение при анализе космических снимков и изображений земной поверхности, полученных с использованием беспилотных летательных аппаратов (БПЛА). 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 БПЛА, дана характеристика объектов исследования и проведён разведочный анализ исходных данных, позволивший осуществить проектирование новой модели свёрточной нейронной сети. Предложена модель свёрточной нейронной сети, основанная на архитектуре полносвёрточной нейронной сети U-Net. С её помощью решается задача семантической сегментации изображений пихтовых насаждений, повреждённых уссурийским полиграфом, полученных с помощью БПЛА. Приведена архитектура предложенной модели нейронной сети и решены основные задачи, касающиеся процессов её 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. A number of recent studies have shown that convolutional neural networks have found their application in the analysis of satellite images and images of the Earth surface, acquired with the use of unmanned aerial vehicles. Especially useful is their capability to automatically extract image features, such as textures and shapes of objects. This paper addresses the problem of the analysis of the state of fir trees in unmanned aerial vehicle images, provides the description of the research objects and conducts an exploratory analysis of the source data that allowed to build a new model of a convolutional neural network. A new convolutional neural network model, which is based on fully convolutional network U-Net architecture, is proposed. This model is used to do semantic segmentation of unmanned aerial vehicle images of fir forests damaged by Polygraphus proximus. In the paper, the architecture of the proposed neural network model is presented, and the main problems are solved regarding the processes of its training and assessment of the quality of semantic segmentation results obtained using the model. The results have shown a relatively high performance of the model while classifying pixels of the classes Background, Living trees, Recently dead trees and Long dead trees. At the end, several ways are proposed to increase the performance of the developed model. |
| Language: | Russian |
| Published: |
2021
|
| Subjects: | |
| Online Access: | https://doi.org/10.21046/2070-7401-2021-18-1-116-126 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=665096 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 665096 | ||
| 005 | 20250127143515.0 | ||
| 035 | |a (RuTPU)RU\TPU\network\36295 | ||
| 035 | |a RU\TPU\network\28332 | ||
| 090 | |a 665096 | ||
| 100 | |a 20210811d2021 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Семантическая сегментация повреждённых деревьев пихты на снимках с беспилотных летательных аппаратов |d Semantic segmentation of damaged fir trees in unmanned aerial vehicle images |f И. А. Керчев, К. А. Маслов, Н. Г. Марков, О. С. Токарева | |
| 203 | |a Текст |c электронный | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: 19 назв..] | ||
| 330 | |a В последние годы свёрточные нейронные сети нашли применение при анализе космических снимков и изображений земной поверхности, полученных с использованием беспилотных летательных аппаратов (БПЛА). 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 БПЛА, дана характеристика объектов исследования и проведён разведочный анализ исходных данных, позволивший осуществить проектирование новой модели свёрточной нейронной сети. Предложена модель свёрточной нейронной сети, основанная на архитектуре полносвёрточной нейронной сети U-Net. С её помощью решается задача семантической сегментации изображений пихтовых насаждений, повреждённых уссурийским полиграфом, полученных с помощью БПЛА. Приведена архитектура предложенной модели нейронной сети и решены основные задачи, касающиеся процессов её 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. | ||
| 330 | |a A number of recent studies have shown that convolutional neural networks have found their application in the analysis of satellite images and images of the Earth surface, acquired with the use of unmanned aerial vehicles. Especially useful is their capability to automatically extract image features, such as textures and shapes of objects. This paper addresses the problem of the analysis of the state of fir trees in unmanned aerial vehicle images, provides the description of the research objects and conducts an exploratory analysis of the source data that allowed to build a new model of a convolutional neural network. A new convolutional neural network model, which is based on fully convolutional network U-Net architecture, is proposed. This model is used to do semantic segmentation of unmanned aerial vehicle images of fir forests damaged by Polygraphus proximus. In the paper, the architecture of the proposed neural network model is presented, and the main problems are solved regarding the processes of its training and assessment of the quality of semantic segmentation results obtained using the model. The results have shown a relatively high performance of the model while classifying pixels of the classes Background, Living trees, Recently dead trees and Long dead trees. At the end, several ways are proposed to increase the performance of the developed model. | ||
| 461 | |t Современные проблемы дистанционного зондирования Земли из космоса | ||
| 463 | |t Т. 18, № 1 |v [С. 116-126] |d 2021 | ||
| 510 | 1 | |a Semantic segmentation of damaged fir trees in unmanned aerial vehicle images |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a уссурийский полиграф | |
| 610 | 1 | |a деревья | |
| 610 | 1 | |a пихты | |
| 610 | 1 | |a беспилотные летательные аппараты | |
| 610 | 1 | |a семантическая сегментация | |
| 610 | 1 | |a изображения | |
| 610 | 1 | |a сверточные нейронные сети | |
| 610 | 1 | |a U-Net | |
| 701 | 1 | |a Керчев |b И. А. |g Иван Андреевич | |
| 701 | 1 | |a Маслов |b К. А. |g Константин Андреевич | |
| 701 | 1 | |a Марков |b Н. Г. |c российский специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор технических наук |f 1950- |g Николай Григорьевич |3 (RuTPU)RU\TPU\pers\24748 |9 10989 | |
| 701 | 1 | |a Токарева |b О. С. |c специалист в области информатики и вычислительной техники |c доцент Томского политехнического университета, кандидат технических наук |f 1966- |g Ольга Сергеевна |3 (RuTPU)RU\TPU\pers\27955 |9 12945 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа информационных технологий и робототехники |b Отделение информационных технологий |3 (RuTPU)RU\TPU\col\23515 |
| 801 | 2 | |a RU |b 63413507 |c 20210811 |g RCR | |
| 856 | 4 | |u https://doi.org/10.21046/2070-7401-2021-18-1-116-126 | |
| 942 | |c CF | ||