СИСТЕМНИЙ АНАЛІЗ РОЗМІРІВ ФРАГМЕНТА ЗОБРАЖЕНЬ АЕРОФОТОЗЙОМКИ СІЛЬСЬКОГОСПОДАРСЬКИХ УГІДЬ ДЛЯ ПОШУКУ АНОМАЛІЙ У НИХ МЕТОДАМИ МАШИННОГО НАВЧАННЯ

  • В. Б. Мокін Вінницький національний технічний університет
  • Д. М. Грузман Компанія «Nestlogic», м. Тель-Авів, Ізраїль
  • C. О. Довгополюк Вінницький національний технічний університет
  • А. О. Лотоцький Вінницький національний технічний університет
Ключові слова: аерофотозйомка, аналіз зображень, автоенкодер, глибинне навчання, машинне навчання, сільськогосподарське угіддя, виявлення аномалії, кластеризація

Анотація

Великими проблемами для сільськогосподарських угідь (СГУ) є захворювання рослин, дія шкідників, бур’яни та інші аномалії. Швидке розповсюдження подібних проблемних місць несе велику шкоду, якщо їх вчасно не знайти, локалізувати та нейтралізувати. Через великі площі та, часто, важкодоступність до окремих ділянок поля, для усунення таких проблем застосовується аерофотозйомка з дронів з подальшим її обробленням методами штучного інтелекту, машинного навчання, передусім — глибинного навчання. Кожне зображення розбивається на дрібніші фрагменти та аналізується, але результат аналізу суттєво залежить від вибору розміру таких фрагментів. Мета дослідження — розробити комплексний системний підхід до аналізу та обчислення оптимального за багатьма критеріями розміру найменшого фрагмента зображень аерофотозйомки СГУ для пошуку аномалій у них методами машинного глибинного навчання. Проведено огляд відомих підходів до розв’язання задачі пошуку таких аномалій та запропоновано які саме інформаційні технології потрібно використовувати на етапах передоброблення, машинного глибинного навчання та які типові проблеми слід усувати під час цього, з урахуванням специфіки предметної області. Виділено основні критерії, які необхідно враховувати для розв’язання поставленої задачі: тривалість обчислення, точність (мінімальна похибка) навчання моделі, наближеність середньої площі кластерів до заданої, за умови виконання ряду обмежень. Запропоновано вираз інтегрального критерію для врахування цих критеріїв та підходи щодо вибору їх ваг. Розроблено алгоритм застосування запропонованих підходів та приймів щодо застосування відомих методів машинного глибинного навчання та кластеризації. Наведено реальний приклад застосування цього алгоритму та продемонстровано його ефективність для випадків, коли найвагомішими (з вагою 0,5) критеріями є тривалість обчислень або наближеність середньої площі кластерів до заданої. Запропонований комплекс підходів та прийомів для системного аналізу розмірів фрагменту зображень аерофотозйомки СГУ дозволить підвищити точність та швидкість пошуку аномалій у них методами машинного глибинного навчання та, в цілому, дозволить ефективніше та вчасно виявляти різні захворювання рослин, бур’яни, шкідників тощо.

Біографії авторів

В. Б. Мокін, Вінницький національний технічний університет

д-р техн. наук, професор, завідувач кафедри системного аналізу, комп’ютерного моніторингу та комп’ютерної графіки

Д. М. Грузман, Компанія «Nestlogic», м. Тель-Авів, Ізраїль

директор компанії

C. О. Довгополюк, Вінницький національний технічний університет

аспірант кафедри системного аналізу, комп’ютерного моніторингу та інженерної графіки

А. О. Лотоцький, Вінницький національний технічний університет

студент факультету комп’ютерних систем і автоматики

Посилання

C. Kyrkou, G. Plastiras, T. Theocharides, S. I. Venieris, and C. S. Bouganis, “DroNet: Efficient Convolutional Neural Network Detector for Real-Time UAV Applications,” in Design, Automation Test in Europe Conference Exhibition, 2018, pp. 967-972.

A. Sharif Razavian, H. Azizpour, J. Sullivan, and S. Carlsson, “Cnn features off-the-shelf: an astounding baseline for recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2014, pp. 806-813.

L. M. Dang, et al., “Drone Agriculture Imagery System for Radish Wilt Disease Identification via Efficient Convolutional Neural Network,” Sustainable Computing: Informatics and Systems, 2018. [Online]. Available: https://doi.org/10.1016/j.suscom.2018.05.010. Accessed on: June 13, 2019.

Y. Bouroubi, et al., “Pest Detection on UAV Imagery using a Deep Convolutional Neural Network,” in Proceedings of the 14th International Conference on Precision Agriculture, Montreal, Quebec, Canada, 2018.

I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016. [Electronic resource]. Available: https://www.deeplearningbook.org/ .

Keras: The Python Deep Learning library, 2019/ [Electronic resource]. Available: https://keras.io/ .

Опубліковано
2019-06-26
Як цитувати
[1]
В. Мокін, Д. Грузман, ДовгополюкC., і А. Лотоцький, СИСТЕМНИЙ АНАЛІЗ РОЗМІРІВ ФРАГМЕНТА ЗОБРАЖЕНЬ АЕРОФОТОЗЙОМКИ СІЛЬСЬКОГОСПОДАРСЬКИХ УГІДЬ ДЛЯ ПОШУКУ АНОМАЛІЙ У НИХ МЕТОДАМИ МАШИННОГО НАВЧАННЯ, Вісник Вінницького політехнічного інституту, № 3, с. 75-85, Чер 2019.
Номер
Розділ
Інформаційні технології та комп'ютерна техніка

Найчитабильні статті цього ж автора(ів)

1 2 > >>