Модели полносверточных нейронных сетей для семантической сегментации поврежденных союзным короедом деревьев кедра на многоспектральных снимках с БПЛА

В последние годы в России активно проявился агрессивный лесной вредитель - союзный короед Ips amitinus (Eichhoff), заселяющий деревья сосны сибирской кедровой (кедра). Поэтому актуальным является оперативный мониторинг кедровников и выявление по его результатам деревьев кедра на начальных стадиях повреждения таким вредителем. Использование беспилотных летательных аппаратов (БПЛА) обеспечивает высокую оперативность наблюдений и получение снимков крон деревьев кедра со сверхвысоким пространственным разрешением. Однако необходимы эффективные модели и методы для анализа таких снимков (Марков и др., 2022). Доклад посвящен разработке моделей полносверточных нейронных сетей, основанных на известной модели U Net, и их исследованию при решении задачи семантической сегментации деревьев кедра, поврежденных союзным короедом, на многоспектральных снимках с БПЛА.
Для анализа состояния деревьев кедра экспертами было выделено пять классов кедра: «Условно здоровое», «Свежезаселенное», «С усохшей вершиной», «Свежий сухостой», «Старый сухостой» и класс «Фон». В качестве исходных данных использовались многоспектральные снимки с квадрокоптера DJI Phantom 3 Standart. Для решения задачи семантической сегментации таких многоспектральных снимков с целью выявления на них пораженных деревьев были предложены две модели: модифицированная модель классической полносверточной сети U Net и оригинальная модель multihead-U Net (MH U Net). Модель MH U Net – это ансамбль из трех классических моделей U Net различной глубины, причем модели делят между собой часть весов и пытаются одновременно анализировать изображение в различных масштабах. Для поиска оптимальных весовых коэффициентов этих полносверточных сетей максимизировалось значение усредненного коэффициента Жаккара (mIoU) с использованием алгоритма оптимизации Adam.
Обучение и исследование эффективности этих моделей проводились как при использовании многоспектральных снимков, так и при использовании полученных из них RGB-снимков. Результаты исследований показали, что обе модели как для многоспектральных снимков, так и для RGB-снимков успешно классифицируют пиксели на снимках с БПЛА, относящиеся к деревьям классов «Условно здоровое», «Свежезаселенное», «Старый сухостой» и к фону. Качество классификации поврежденных деревьев, находящихся в промежуточных состояниях, несколько ниже. В докладе приводятся результаты сравнительного анализа точности классификации пикселей на многоспектральных и RGB-снимках.