Модели U-Net для семантической сегментации повреждённых деревьев сосны сибирской кедровой на снимках с БПЛА
| Parent link: | Современные проблемы дистанционного зондирования Земли из космоса Т. 19, № 1.— 2022.— [С. 65-77] |
|---|---|
| Corporate Author: | |
| Other Authors: | , , , |
| Summary: | Заглавие с экрана В трёх регионах Западной Сибири: Томской, Кемеровской и Новосибирской областях - с 2019 г. наблюдается стремительное усыхание древостоев сосны сибирской кедровой Pinus sibirica Du Tour, вызванное новым чужеродным вредителем - союзным короедом Ips amitinus Eichh. Успешность мероприятий по борьбе с короедом напрямую зависит от своевременности выявления заселённых им деревьев. Выявить их можно по характерным признакам вершинного усыхания, которое малозаметно при наземном обследовании. Использование беспилотных летательных аппаратов (БПЛА) обеспечивает высокую оперативность наблюдений и получение снимков крон деревьев со сверхвысоким пространственным разрешением. Статья посвящена разработке моделей глубокого обучения U-Net и их исследованию при решении задачи семантической сегментации деревьев P. sibirica, повреждённых союзным короедом, на снимках с БПЛА. Для анализа состояния деревьев экспертами было выделено пять классов жизненного состояния P. sibirica: «условно здоровое», «свежезаселённое», «с усохшей вершиной», «свежий сухостой» и «старый сухостой». Деревья других видов и оставшиеся объекты на изображениях относились к классу «фон». В качестве исходных данных использовались снимки с квадрокоптера DJI Phantom 3 Standard, полученные в июле 2019 г. Для решения задачи сегментации изображений с БПЛА был предложен ряд моделей глубокого обучения: полносвёрточная сеть U-Net на основе известной модели U-Net и две её модификации - multiheadU-Net (MH-U-Net) и multihead-residual-U-Net (MH-Res-U-Net). MH-U-Net - ансамбль из трёх моделей U-Net различной глубины, причём модели делят между собой часть весов и пытаются одновременно анализировать изображение в различных масштабах. Модель MH-ResU-Net обладает всеми свойствами MH-U-Net и дополнительно использует остаточные блоки. Результаты исследований показали, что все модели успешно классифицируют пиксели пяти классов из шести: модели U-Net и MH-Res-U-Net хорошо сегментируют все классы, кроме класса «свежезаселённое», а модель MH-U-Net - все классы, кроме класса «свежий сухостой». Основную сложность для сегментации представили классы промежуточного состояния деревьев. Однако MH-U-Net справляется с сегментацией промежуточного класса «свежезаселённое», U-Net - класса «с усохшей вершиной», а MH-Res-U-Net - класса «свежий сухостой» Since 2019, there have been rapid increases in mortality rates of Pinus sibirica Du Tour stands caused by a new alien bark beetle - Ips amitinus Eichh. - in three regions of Western Siberia: Tomsk, Kemerovo and Novosibirsk regions. The success of pest management directly depends on the timeliness of identifying the colonised trees. Dried out treetops, which are hardly noticeable during ground surveys, is a distinct feature of the damaged trees. The use of unmanned aerial vehicles (UAVs) ensures time efficiency of observations and provides an ultra-high spatial resolution of tree crown images. This paper is devoted to the development of U-Net models and their testing when solving the problem of semantic segmentation of P. sibirica trees damaged by the pest in UAV imagery. To assess the condition of the trees, experts identify five classes of them: healthy, recently colonised, with a dried out treetop, current year deadwood and old deadwood. Trees of other species and the remaining objects in the images belong to the background. Images acquired in July 2019 with the DJI Phantom 3 Standard drone were used to train, validate and test the models. To solve the addressed problem several fully convolutional networks were proposed: a minor modification of U-Net and two major modifications - multihead-U-Net (MH-U-Net) and multihead-residual-U-Net (MH-Res-U-Net). MH-U-Net is an ensemble of three U-Nets of different depths. The models in the ensemble share part of their weights and simultaneously analyse an image at three different scales. MH-Res-U-Net has all the properties of MH-U-Net and additionally introduces residual blocks. The research has shown that all the models successfully classify pixels of five classes out of six: U-Net and MH-Res-U-Net successfully classify all the classes except the recently colonised trees, and MH-U-Net - all the classes except the current year deadwood trees. Intermediate classes of the tree condition represent the main difficulty for segmentation. However, MH-U-Net copes with the segmentation of the intermediate class of the recently colonised trees, U-Net - of the trees with a dried out treetop, and MH-Res-U-Net - of the current year deadwood trees. |
| Published: |
2022
|
| Subjects: | |
| Online Access: | https://doi.org/10.21046/2070-7401-2022-19-1-65-77 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=667900 |