Ryska ingenjörer har utvecklat och testat en ny drönare. Han upptäcker lätt en farlig växt - hogweed
Sosnovsky's hogweed är en stor örtartad växt, en art av släktet hogweed av paraplyfamiljen.
Saften av växten, kommer på huden, under påverkansolljus orsakar allvarliga brännskador. Men deras behandling kräver noggrann medicinsk övervakning i flera veckor. Låt oss notera att nu har spridningen av Sosnovskijs björnbär blivit en verklig miljökatastrof - den har spridit sig från den centrala delen av Ryssland till Sibirien, från Karelen till Kaukasus.
Sosnovskys hogweed är en av de mest kända och problematiska invasiva arterna i Ryssland.
Ett av problemen med att hantera honom är hansexceptionell vitalitet och full utsäde fördelning. För att hitta det måste du manuellt gå runt på fälten eller använda flygmaskiner. Tyvärr kan de flesta satelliter inte ge tillräckligt hög upplösning för att upptäcka enstaka växter. Samtidigt är redovisningen av anläggningar som använder UAV inte tillräckligt automatiserad och baseras ofta på användningen av flygplan som är dyra att använda.
Ingångsbild (vänster) och resultatet av det föreslagna helt fria neurala nätverket (höger)
För att eliminera problemet antog forskarnabeslut att använda en UAV. Deras egenhet är att de tillåter dig att få den senaste informationen om distributionen av växten med en exceptionellt hög upplösning, även när himlen är mulen.
Som hårdvaruplattform valde deen DJI Matrice 200 quadcopter och en NVIDIA Jetson Nano single-board-dator med en relativt kraftfull videoaccelerator som låter dig starta direkt på en neural nätverksenhet.
Ortofotomosaik med områden med gräsväxter markerade på den (ljusgrön)
Ett konvolutionellt neuralt nätverk (CNN) är ansvarigt för att söka efter björnklor i ramar från en drönarkamera, som tar emot bilden och utför semantisk segmentering, och markerar områden med björnklot på.
Låt oss påminna dig om att ett konvolutionellt neuralt nätverk ären speciell arkitektur av artificiella neurala nätverk, som föreslogs av Yann LeCun 1988 och som syftar till effektiv mönsterigenkänning, är en del av djupinlärningsteknologier.
Utvecklare har valt tre populära arkitekturerCNN för att jämföra deras prestanda för denna uppgift: U-Net, SegNet och RefineNet. Forskarna själva sätter ihop en dataset för att träna algoritmerna. För att göra detta filmade de många drönare i Moskva-regionen med hjälp av två olika drönare och en actionkamera (fäst vid drönaren). Som ett resultat erhölls 263 bilder, där författarna till utvecklingen markerade områdena med gris. Datasätet i sig är tillgängligt på GitHub.
Efter att ha utbildat neurala nätverk testade författarna dem påen-kortdator och fick reda på att de arbetar med en frekvens på tiondelar eller hundradelar av en bildruta per sekund. Det bästa resultatet gavs av ett nätverk baserat på U-Net - 0,7 bilder per sekund. Den bästa klassificeringen visades av ett SegNet-baserat nätverk med ett område under ROC-kurvan (ett vanligt mått för att bedöma kvaliteten på en binär klassificering) lika med 0,969.
Läs mer
Kärnreaktionerna intensifierades i reaktorn i kärnkraftverket i Tjernobyl
Forskare har visat hur ett svart hål sliter sönder en stjärna
Fysiker har skapat en analog av ett svart hål och bekräftat Hawkings teori. Vart leder det?