Russische ingenieurs hebben een nieuwe drone ontwikkeld en getest. Hij detecteert gemakkelijk een gevaarlijke plant: berenklauw
De berenklauw van Sosnovsky is een grote kruidachtige plant, een soort van het geslacht berenklauw van de paraplufamilie.
Het sap van de plant komt onder invloed op de huid terechtzonlicht veroorzaakt ernstige brandwonden. Hun behandeling vereist echter gedurende meerdere weken nauw medisch toezicht. Laten we opmerken dat de verspreiding van Sosnovsky's berenklauw nu een echte milieuramp is geworden - hij heeft zich verspreid van het centrale deel van Rusland naar Siberië, van Karelië naar de Kaukasus.
De berenklauw van Sosnovsky is een van de beroemdste en meest problematische invasieve soorten in Rusland.
Een van de problemen bij de omgang met hem is die van hemuitzonderlijke vitaliteit en volledige zaadverdeling. Om het te vinden, moet je handmatig door de velden gaan of vliegmachines gebruiken. Helaas zijn de meeste satellieten niet in staat om een resolutie te bieden die hoog genoeg is om afzonderlijke planten te detecteren. Tegelijkertijd is de boekhouding van installaties die gebruik maken van UAV's niet voldoende geautomatiseerd en is deze vaak gebaseerd op het gebruik van vliegtuigen die duur zijn in het gebruik.
Invoerbeeld (links) en het resultaat van het voorgestelde volledig convolutionele neurale netwerk (rechts)
Om het probleem op te lossen, adopteerden de onderzoekersbeslissing om een UAV te gebruiken. Hun eigenaardigheid is dat je hiermee de laatste informatie over de verspreiding van de plant kunt verkrijgen met een uitzonderlijk hoge resolutie, zelfs als de lucht bewolkt is.
Als hardwareplatform kozen zeeen DJI Matrice 200 quadcopter en een NVIDIA Jetson Nano single-board computer met een relatief krachtige videoversneller waarmee je direct op een neuraal netwerkapparaat kunt starten.
Orthophotomosaic met gemarkeerde gebieden van berenklauw (heldergroen)
Een convolutioneel neuraal netwerk (CNN) is verantwoordelijk voor het zoeken naar berenklauw in frames van een dronecamera, die het frame ontvangt en semantische segmentatie uitvoert, waarbij gebieden met berenklauw erop worden gemarkeerd.
Laten we u eraan herinneren dat er sprake is van een convolutioneel neuraal netwerkeen speciale architectuur van kunstmatige neurale netwerken, voorgesteld door Yann LeCun in 1988 en gericht op effectieve patroonherkenning, maakt deel uit van deep learning-technologieën.
Ontwikkelaars hebben gekozen voor drie populaire architecturenCNN om hun prestaties voor deze taak te vergelijken: U-Net, SegNet en RefineNet. De onderzoekers hebben zelf een dataset samengesteld om de algoritmen te trainen. Om dit te doen, filmden ze veel dronebeelden in de regio Moskou, met behulp van twee verschillende drones en één actiecamera (bevestigd aan de drone). Als resultaat werden 263 afbeeldingen verkregen, waarin de auteurs van de ontwikkeling de gebieden met berenklauw markeerden. De dataset zelf is beschikbaar op GitHub.
Nadat ze neurale netwerken hadden getraind, hebben de auteurs ze getestsingle-board computer en ontdekte dat ze werken met een frequentie van tienden of honderdsten van een frame per seconde. Het beste resultaat werd behaald door een netwerk op basis van U-Net - 0,7 frames per seconde. De beste classificatie werd getoond door een SegNet-gebaseerd netwerk met een gebied onder de ROC-curve (een gemeenschappelijke maatstaf voor het beoordelen van de kwaliteit van een binaire classificatie) gelijk aan 0,969.
Lees verder
De kernreacties namen toe in de reactor van de kerncentrale van Tsjernobyl
Wetenschappers hebben aangetoond hoe een zwart gat een ster uit elkaar scheurt
Natuurkundigen hebben een analoog van een zwart gat gemaakt en de theorie van Hawking bevestigd. Waar leidt het toe?