Семантическая сегментация поврежденных деревьев пихты сибирской на зашумленных снимках с беспилотных летательных аппаратов

Вспышки массового распространения стволовых вредителей наносят непоправимый вред хвойным лесам во многих странах мира. Так, сегодня в России известным и опасным вредителем пихтовых лесов является уссурийский полиграф Polygraphus proximus. Для выявления очагов размножения таких вредителей и оценки степени повреждения ими хвойных деревьев необходим оперативный мониторинг лесов, который сегодня все чаще проводят с использованием методов и средств дистанционного зондирования Земли. Съемка лесов ведется с помощью космических аппаратов и беспилотных летательных аппаратов (БПЛА), оснащённых фото- или видеокамерами высокого разрешения. Все чаще начинают использовать современные модели и методы глубокого обучения, позволяющие решать с довольно высокой точностью задачу семантической сегментации (попиксельной классификации) полученных снимков хвойных лесов. Цель данной работы – исследовать качество сегментации поврежденных уссурийским полиграфом деревьев пихты сибирской на зашумленных импульсными помехами снимках с БПЛА. При этом сегментация снимков выполняется с помощью разработанной модифицированной сверточной нейронной сети U-Net, обучаемой с разными функциями потерь. Оценка качества сегментации проводится с помощью метрики mIoU, которая вычисляется как среднее метрик IoU для каждого из четырех классов состояния здоровья деревьев пихты и фона.

Для обучения и исследования устойчивости к таким помехам модифицированной модели U-Net созданы по исходным RGB-снимкам с БПЛА пораженных пихтовых насаждений три выборки: обучающая (2004 фрагмента размером 256х256 пикселей), валидационная (672 фрагмента) и тестовая (91 фрагмент). Причем модель обучалась как с традиционной функцией потерь Focal Loss, так и с робастной функцией потерь Коши. Моделирование зашумления фрагментов любой из выборок импульсными помехами осуществлялось путем увеличения амплитуды яркости каждого зашумляемого пикселя относительно исходной амплитуды пикселя в 1,5, 2,0 и 3,0 раза, а площадь зашумления фрагмента составляла от 10% до 50% от его площади. Проведены две серии экспериментов: первая с модифицированной моделью U-Net, использующей функцию потерь Focal Loss, а вторая – с этой же моделью, но с робастной функцией потерь Коши.

В результате исследований показано, что качество сегментации деревьев пихты падает с ростом площади зашумления и амплитуды помех на фрагментах обучающей выборки, а степень падения качества сегментации зависит от используемой при обучении модели U-Net функции потерь. При этом для максимальных задаваемых значений амплитуды помех и площади зашумления фрагментов устойчивость модели к помехам выше при использовании робастной функции Коши. Зашумление фрагментов только валидационной выборки приводит к незначительному падению качества сегментации по сравнению с вариантами зашумления фрагментов только обучающей или тестовой выборок. В варианте зашумления фрагментов и обучающей, и тестовой выборок происходит более заметное ухудшение качества сегментации, а при зашумлении фрагментов всех выборок качество сегментации поврежденных деревьев пихты на снимках оказалось на практически неприемлемом уровне (метрика mIoU меньше 0,5).