Rosyjscy inżynierowie opracowali i przetestowali nowy dron. Z łatwością wykrywa niebezpieczną roślinę – barszcz
Barszcz Sosnowskiego to duża roślina zielna, gatunek z rodzaju barszczu z rodziny parasolowatych.
Sok z rośliny dostający się na skórę pod wpływemświatło słoneczne powoduje poważne oparzenia. Ich leczenie wymaga jednak ścisłego nadzoru lekarskiego przez kilka tygodni. Zauważmy, że obecnie rozprzestrzenianie się barszczu Sosnowskiego stało się prawdziwą katastrofą ekologiczną - rozprzestrzeniła się z centralnej części Rosji na Syberię, od Karelii po Kaukaz.
Barszcz Sosnowskiego jest jednym z najbardziej znanych i problematycznych gatunków inwazyjnych w Rosji.
Jeden z problemów w radzeniu sobie z nim jest jegowyjątkowa witalność i pełna dystrybucja nasion. Aby go znaleźć musisz ręcznie ominąć pola lub skorzystać z latających maszyn. Niestety, większość satelitów nie jest w stanie zapewnić wystarczająco wysokiej rozdzielczości, aby wykryć pojedyncze rośliny. Jednocześnie rozliczanie zakładów korzystających z UAV nie jest dostatecznie zautomatyzowane i często opiera się na wykorzystaniu drogich w eksploatacji samolotów.
Obraz wejściowy (po lewej) i wynik proponowanej w pełni konwolucyjnej sieci neuronowej (po prawej)
Aby wyeliminować problem, naukowcy przyjęlidecyzję o użyciu UAV. Ich cechą szczególną jest to, że pozwalają uzyskać najnowsze informacje na temat rozmieszczenia rośliny w wyjątkowo wysokiej rozdzielczości, nawet gdy niebo jest zachmurzone.
Jako platformę sprzętową wybraliquadkopter DJI Matrice 200 i komputer jednopłytkowy NVIDIA Jetson Nano ze stosunkowo mocnym akceleratorem wideo, który umożliwia uruchamianie bezpośrednio na urządzeniu sieci neuronowej.
Ortofotomozaika z zaznaczonymi obszarami wzrostu barszczu (jasnozielony)
Za wyszukiwanie barszczu w klatkach z kamery drona odpowiada konwolucyjna sieć neuronowa (CNN), która odbiera ramkę i przeprowadza segmentację semantyczną, zaznaczając na niej obszary barszczem.
Przypomnijmy, że splotowa sieć neuronowa jestspecjalna architektura sztucznych sieci neuronowych, zaproponowana przez Yanna LeCuna w 1988 roku i mająca na celu efektywne rozpoznawanie wzorców, jest częścią technologii głębokiego uczenia się.
Deweloperzy wybrali trzy popularne architekturyCNN, aby porównać ich wydajność w tym zadaniu: U-Net, SegNet i RefineNet. Naukowcy sami stworzyli zbiór danych, aby wytrenować algorytmy. W tym celu nakręcili wiele materiałów filmowych z drona w rejonie Moskwy, używając dwóch różnych dronów i jednej kamery akcji (przymocowanej do drona). W efekcie uzyskano 263 zdjęcia, na których autorzy opracowania zaznaczyli tereny barszczem. Sam zestaw danych jest dostępny w serwisie GitHub.
Po wyszkoleniu sieci neuronowych autorzy przetestowali je nakomputer jednopłytkowy i okazało się, że działają z częstotliwością dziesiątych lub setnych części klatki na sekundę. Najlepszy wynik dała sieć oparta na U-Net - 0,7 klatek na sekundę. Najlepszą klasyfikację wykazała sieć oparta na SegNet z obszarem pod krzywą ROC (wspólna miara do oceny jakości klasyfikacji binarnej) równym 0,969.
Czytaj więcej
Reakcje jądrowe nasiliły się w reaktorze elektrowni jądrowej w Czarnobylu
Naukowcy wykazali, jak czarna dziura rozrywa gwiazdę
Fizycy stworzyli analogię czarnej dziury i potwierdzili teorię Hawkinga. Dokąd to prowadzi?