В последнее время особую популярность при анализе цифровых изображений получили методы машинного обучения. К ним относятся как простые методы классификации, основанные на ручном отборе спектральных, текстурных и иных признаков объектов для их классификации на изображениях, так и нейронные сети, способные осуществлять отбор признаков в автоматическом режиме на основе особенностей обучающего набора данных. Более того, сегодня на повестке дня стоит развитие и использование глубоких нейронных сетей, в частности сверточных нейронных сетей (СНС), для анализа аэро- и космических снимков земной поверхности.
В данной работе представлены результаты реализации, обучения и исследования эффективности трех методов машинного обучения (метод градиентного бустинга с ручным отбором признаков и СНС с предложенными модификациями архитектур U-Net и SegNet), направленных на решение задачи семантической сегментации объектов земной поверхности на цифровых изображениях, полученных с беспилотных летательных аппаратов (БПЛА). Решается задача сегментации крон деревьев пихты сибирской (Abies sibirica), поврежденных насекомым-вредителем уссурийским полиграфом (Polygraphus proximus Blandf.). При этом на снимках выделяются класс «Фон» и четыре класса деревьев пихты: «Живые», «Отмирающие», «Свежий сухостой» и «Старый сухостой». Приводится описание процедур подготовки исходных снимков с БПЛА, обучения предложенных моделей и подбора гиперпараметров моделей и алгоритмов обучения с использованием байесовской оптимизации для достижения их лучшей эффективности.
Полученные результаты показали, что исследованные методы позволяют решать задачу семантической сегментации поврежденных деревьев пихты, при этом сегментация классов «Фон», «Живые», «Свежий сухостой» и «Старый сухостой» осуществляется с более высокой точностью, чем класса «Отмирающие», а лучшую эффективность при сегментации показала СНС U-Net. Результаты семантической сегментации в дальнейшем могут быть использованы для оценки состояния насаждений пихты сибирской и планирования соответствующих лесозащитных мероприятий. Описанные в работе методы применимы также для сегментации космических снимков сверхвысокого пространственного разрешения.
Исследование выполнено при финансовой поддержке проекта по гранту РФФИ № 18-47-700010 р_а.