Нейронная сеть по отслеживанию критерия зелености деревьев
Введение
Лесные насаждения в России занимают около двадцати процентов от всего объема лесных массив на планете, что делает нашу страну лидером по лесным ресурсам[1]. Важной задачей в данной области является правильное лесопользование, а также охрана и воспроизводство лесов. Государство регулирует данную сферу при помощи различных законов и подзаконных актов, таким образом регламентируя порядок охраны, защиты и воспроизводства лесных массивов. Однако для эффективного управления необходимо обладать объективными и своевременными данных касаемо определенных лесотаксационных выделов. Однако появляется иная проблема – спрос на актуальные данные постоянно растет и оказывается неудовлетворенным, так как традиционные наземные методы являются затратными и не дают явную информацию касаемо характеристик леса. Именно для этого важен переход от традиционных методов к высокопроизводительным и недорогим дистанционным методам добычи и обработки информации.
Оглавление
Введение8
1 МЕТОДЫ ПОЛУЧЕНИЯ И ОБРАБОТКИ ИЗОБРАЖЕНИЙ БПЛА10
1.1 Обзор предметной области10
1.2 Виды БПЛА12
1.2.1 БПЛА с жестким крылом12
1.2.2 БПЛА с гибким крылом14
1.2.3 БПЛА с вращающимся крылом15
1.2.4 БПЛА с машущим крылом16
1.2.5 Аэростатические БПЛА17
1.3 Структура RGB-изображений18
1.4 Виды нейронных сетей21
1.5 Детектирование и классификация образов с помощью нейронной сети25
1.6 Виды веб-приложений28
1.7 Выводы по первой главе29
2 РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ30
2.1 Информационная модель объекта исследований30
2.2 Структура программы31
2.2.1 Классификационная нейронная сеть31
2.2.2 Нейронная сеть для детектирования деревьев35
2.2.3 Структура итоговой программы38
2.3 Средства разработки39
2.3.1 Python41
2.3.2 Tensorflow41
2.3.3 Keras42
2.3.4 Opencv43
2.3.5 Numpy44
2.3.6 Pandas45
2.3.7 Scikit-image46
2.3.8 Matplotlib47
2.3.11 Torch47
2.3.12 Deepforest48
2.3.13 Visual Studio Code49
2.3.14 Draw.io49
2.3.15 Streamlit50
2.4 Выводы по второй главе51
3 ТЕСТИРОВАНИЕ ПРОГРАММЫ52
3.1 Сравнение с аналогами61
3.2 Выводы по третьей главе64
Заключение65
Список использованных источников66
Список использованных источников
Филипчук А.Н., Моисеев Б.Н., Медведева М.А., Кинигопуло П.С., Югов А.Н. Сравнительная характеристика лесов по данным глобальной оценки лесных ресурсов 2015. Лесохозяйственная информация. № 3. 2017. С. 75-91.
Костин П.И. Таксация леса при помощи БПЛА. Вестник науки и образования. № 1-2 (121). 2022. С. 58-60.
Лидар [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Лидар (дата обращения: 20.05.2023).
Беспилотный летательный аппарат [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Беспилотный_летательный_аппарат#Определение (дата обращения: 22.05.2023).
RGB [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/RGB (дата обращения: 23.05.2023).
Colour banding [Электронный ресурс]. URL: https://en.wikipedia.org/wiki/Colour_banding (дата обращения: 24.05.2023).
Нейронная сеть [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Нейронная_сеть (дата обращения: 24.05.2023).
Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям. СПб: Университет ИТМО. 2018. 71 с.
Нейронные сети Кохонена [Электронный ресурс]. URL: https://neuronus.com/theory/nn/955-nejronnye-seti-kokhonena.html (дата обращения: 25.05.2023).
Рекуррентные нейронные сети [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Рекуррентная_нейронная_сеть (дата обращения: 25.05.2023).
Львов Ф.А. Типы и применение нейронных сетей. Кронос: естественные и технические науки. № 2 (24). 2019. С. 25-31.
Архитектура нейронной сети RetinaNet [Электронный ресурс]. URL: https://habr.com/ru/articles/510560/ (дата обращения: 26.05.2023).
Архитектуры нейросетей [Электронный ресурс]. URL: https://habr.com/ru/companies/nix/articles/430524/ (дата обращения: 26.05.2023).
Новые архитектуры нейросетей [Электронный ресурс]. URL: https://habr.com/ru/articles/498168/ (дата обращения: 28.05.2023).
Веб-приложение [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Веб-приложение#Архитектура_веб-приложений (дата обращения: 28.0
После некоторых итераций все точки кластеризуются, и каждый нейрон представляет каждый вид кластера. На рисунке 1.11 показана нейронная сеть Кохонена.
Рисунок 1.11 – Нейронная сеть Кохонена
Далее рассмотрим рекуррентную нейронную сеть. Выходные данные слоя сети сохраняются и передаются обратно на вход, при этом входной слой работает точно так же, как и нейронная сеть с прямой связью[10]. Следующая итерация наступает тогда, когда все вычисления будут сделаны. Каждый следующий нейрон помнит некоторую информацию от предыдущего шага. В случае, если прогноз неверен, то применяются методы исправления ошибок для внесения изменений для корректной работы сети.
Зачастую, подобные сети используются для преобразования текста в речь и в моделях обработки видео. На рисунке 1.12 представлена рекуррентная нейронная сеть.
Рисунок 1.12 – Рекуррентная нейронная сеть