Оценка эффективности методов классификации типов поверхности для систем регистрации спектров отражения с борта беспилотного летательного аппарата

На сегодняшний день беспилотные летательные аппараты (БЛА) активно используются в дистанционном зондировании Земли. Большинство измерений организованы по схеме, когда предварительная и тематическая обработка данных производятся в наземных условиях после передачи исходных данных от БЛА. В настоящее время в НИИПФП им. А.Н.Севченко БГУ разрабатывается гиперспектральная автоматизированная летная система, предназначенная не только для регистрации гиперспектральных данных с борта БЛА, но и для бортовой обработки этих данных с целью бинарной классификации объектов земной поверхности. В рамках реализации данного проекта одной из задач является анализ качества и скорости работы различных методов классификации применительно к спектральным данным высокого разрешения.
Для решения задачи было принято решение создать размеченные вручную выборки данных на основе спектров, зарегистрированных беспилотным комплексом авиационного спектрометрирования (БЕКАС), нормированных на спектры отражения от молочного стекла [1]. Рабочий спектральный диапазон составлял 385 – 915 нм со спектральным разрешением 4,3 нм. Каждому спектру в данных БЕКАС соответствует RGB-изображение с выделенной областью спектрометрирования, что позволило создать 2 датасета классифицированных спектральных данных, состоящих из 9903 спектров (в единицах коэффициентов спектральной яркости). При этом для каждого спектра определялись генеральный тип, класс и название объекта, на основе чего классификацию можно производить как в более общем виде для разделения на суперклассы, так и в более детальном виде для идентификации специфических объектов. Данные разделялись на обучающую, валидационную и тестовую выборки в соотношении 60,20 и 20.
Для классификации были выбраны методы логистической регрессии, опорных векторов (SVM), Random-forest, а также была создана архитектура одномерной сверточной нейросети (CNN). Оценивались параметры точности и отклика, на основе которых определялась F1-мера для каждого класса. Наилучшие результаты по взвешенному среднему значению F1-меры при разделении на суперклассы показали SVM (99,6%) и CNN (99,2%). Для определения подклассов общая точность предсказуемо падает, но лучше в данном случае себя показывает CNN (88,9%), вторым по значению F1-меры следует SVM (87,8%).
Помимо качества классификации оценивался также и параметр длительности обработки данных, что в случае системы тематической обработки в реальном времени является критическим. Длительность оценивалась как время, затрачиваемое на классификацию N спектров предварительно обученной моделью, где N – количество регистрируемых за одно измерение спектров в разрабатываемой гиперспектральной системе. Наименьшие временные затраты были зафиксированы при обработке методом SVM – 25 мкс. CNN показывает значение 913 мкс. Учитывая, что планируемое время экспозиции при регистрации гиперспектральных данных будет составлять порядка 50 мс, оба метода классификации могут работать в режиме реального времени при достаточной мощности управляющего компьютера.
Исходя из результатов можно сделать вывод, что метод опорных векторов показал себя как наиболее надежный метод для решения поставленной задачи, в то время как CNN, обладая большим потенциалом, требует дополнительной оптимизации для стабильного улучшения классификации всех пересекающихся классов, особенно малых по размеру. Кроме того, для классификации объектов пересекающихся классов уместно использовать мультимодельный подход, когда изначально производится разделение на суперклассы с использованием SVM, а затем дополнительная классификация с использованием CNN.