Russiske ingeniører har utviklet og testet en ny drone. Han oppdager lett en farlig plante - bjørneklo
Sosnovskys hogweed er en stor urteaktig plante, en art av slekten hogweed av paraplyfamilien.
Saften av planten, kommer på huden, under påvirkningsollys forårsaker alvorlige brannskader. Imidlertid krever behandlingen tett medisinsk tilsyn i flere uker. La oss merke oss at nå har spredningen av Sosnovskys bjørneklo blitt en virkelig miljøkatastrofe - den har spredt seg fra den sentrale delen av Russland til Sibir, fra Karelia til Kaukasus.
Sosnovskys hogweed er en av de mest berømte og problematiske invasive artene i Russland.
Et av problemene i å håndtere ham er hanseksepsjonell vitalitet og full frøfordeling. For å finne det, må du manuelt gå rundt i feltene eller bruke flymaskiner. Dessverre klarer de fleste satellitter ikke å gi høy nok oppløsning til å oppdage enkeltplanter. Samtidig er ikke regnskapet for anlegg som bruker UAV-er, tilstrekkelig automatisert, og er ofte basert på bruk av fly som er dyre å betjene.
Inngangsbilde (til venstre) og resultatet av det foreslåtte fullt konvolusjonelle nevrale nettverket (høyre)
For å eliminere problemet vedtok forskernebeslutning om å bruke en UAV. Deres særegne er at de lar deg få den nyeste informasjonen om distribusjonen av planten med en eksepsjonelt høy oppløsning, selv når himmelen er overskyet.
Som maskinvareplattform valgte deen DJI Matrice 200 quadcopter og en NVIDIA Jetson Nano enkeltkortcomputer med en relativt kraftig videoakselerator som lar deg starte direkte på en nevral nettverksenhet.
Ortofotomosaikk med områder med hogweed som vokser markert på den (lys grønn)
Et konvolusjonelt nevralt nettverk (CNN) er ansvarlig for å søke etter bjørneklo i rammer fra et dronekamera, som mottar rammen og utfører semantisk segmentering, og markerer områder med bjørneklo på.
La oss minne deg på at et konvolusjonelt nevralt nettverk eren spesiell arkitektur av kunstige nevrale nettverk, foreslått av Yann LeCun i 1988 og rettet mot effektiv mønstergjenkjenning, er en del av dyplæringsteknologier.
Utviklere har valgt tre populære arkitekturerCNN for å sammenligne ytelsen for denne oppgaven: U-Net, SegNet og RefineNet. Forskerne satt sammen et datasett for å trene algoritmene. For å gjøre dette filmet de mange droneopptak i Moskva-regionen, ved hjelp av to forskjellige droner og ett actionkamera (festet til dronen). Som et resultat ble det oppnådd 263 bilder, der forfatterne av utviklingen markerte områdene med gris. Selve datasettet er tilgjengelig på GitHub.
Etter å ha trent nevrale nettverk testet forfatterne dem påenkeltkortcomputer og fant ut at de opererer med en frekvens på tiendedeler eller hundredeler av en ramme per sekund. Det beste resultatet ble gitt av et nettverk basert på U-Net - 0,7 bilder per sekund. Den beste klassifiseringen ble vist av et SegNet-basert nettverk med et område under ROC-kurven (en vanlig beregning for å vurdere kvaliteten på en binær klassifisering) lik 0.969.
Les mer
Atomreaksjonene intensiverte i reaktoren til Tsjernobyl kjernekraftverk
Forskere har vist hvordan et svart hull river en stjerne fra hverandre
Fysikere har laget en analog av et svart hull og bekreftet Hawkings teori. Hvor det fører?