Orosz mérnökök új drónt fejlesztettek ki és teszteltek. Könnyen észlel egy veszélyes növényt - a disznófüvet
Szosznovszkij parlagfűje egy nagy lágyszárú növény, az ernyőscsaládba tartozó disznófélék faja.
A növény leve, a bőrre jutva, hatása alatta napfény súlyos égési sérüléseket okoz. Kezelésük azonban több hétig tartó szoros orvosi felügyeletet igényel. Vegyük észre, hogy mostanra valóságos környezeti katasztrófává vált a Szosznovszkij-disznófű terjedése – Oroszország középső részétől Szibériáig, Karéliától a Kaukázusig terjedt.
Szosznovszkij parlagfűje Oroszország egyik leghíresebb és legproblematikusabb invazív faja.
A vele való foglalkozás egyik problémája az övékivételes vitalitás és teljes magelosztás. Megtalálásához kézzel kell körbejárnia a mezőket, vagy repülőgépeket kell használnia. Sajnos a legtöbb műhold nem képes elég nagy felbontást biztosítani az egyes növények észleléséhez. Ugyanakkor az UAV-kat használó üzemek elszámolása nem kellően automatizált, és gyakran a költséges üzemeltetésű repülőgépek használatán alapul.
Bemeneti kép (balra) és a javasolt teljesen konvolúciós ideghálózat eredménye (jobbra)
A probléma kiküszöbölése érdekében a kutatók elfogadtákdöntés az UAV használatáról. Különlegességük, hogy rendkívül nagy felbontásban teszik lehetővé a növény elterjedéséről szóló legfrissebb információk megszerzését, akkor is, ha beborult az ég.
Hardverplatformként választottákegy DJI Matrice 200 kvadrokopter és egy NVIDIA Jetson Nano egykártyás számítógép, viszonylag nagy teljesítményű video-gyorsítóval, amely lehetővé teszi az indítást közvetlenül egy neurális hálózati eszközön.
Ortofotomozaika, rajta növekvő disznóövekkel (élénkzöld)
A konvolúciós neurális hálózat (CNN) feladata a disznófű keresése a képkockákban egy drónkamerából, amely fogadja a keretet és szemantikai szegmentációt hajt végre, megjelölve rajta a disznófűvel rendelkező területeket.
Emlékeztetjük, hogy a konvolúciós neurális hálózat azA mesterséges neurális hálózatok speciális architektúrája, amelyet Yann LeCun javasolt 1988-ban, és amelynek célja a hatékony mintafelismerés, a mély tanulási technológiák része.
A fejlesztők három népszerű architektúrát választottakA CNN összehasonlítja e feladat teljesítményét: U-Net, SegNet és RefineNet. A kutatók maguk állítottak össze egy adatkészletet az algoritmusok kiképzéséhez. Ennek érdekében sok drónfelvételt forgattak a moszkvai régióban, két különböző drón és egy akció kamera segítségével (a drónhoz rögzítve). Ennek eredményeként 263 kép készült, amelyeken a fejlesztés szerzői disznóhaggyal jelölték a területeket. Maga az adatkészlet a GitHubon érhető el.
A neurális hálózatok kiképzése után a szerzők tesztelték őketegy fedélzeti számítógép, és kiderült, hogy másodpercenként tized vagy századik képkocka frekvencián működnek. A legjobb eredményt egy U-Net alapú hálózat adta - 0,7 képkocka másodpercenként. A legjobb besorolást egy SegNet-alapú hálózat mutatta, amelynek ROC-görbe alatti területe (közös mutató a bináris osztályozás minőségének értékelésére) 0,969.
Olvass tovább
A csernobili atomerőmű reaktorában fokozódtak a nukleáris reakciók
A tudósok kimutatták, hogy a fekete lyuk hogyan szakítja szét egy csillagot
A fizikusok létrehozták a fekete lyuk analógját, és megerősítették Hawking elméletét. Hova vezet?