Системний аналіз розмірів фрагмента зображень аерофотозйомки сільськогосподарських угідь для пошуку аномалій у них методами машинного навчання

Abstract

Великими проблемами для сільськогосподарських угідь (СГУ) є захворювання рослин, дія шкідників, бур’яни та інші аномалії. Швидке розповсюдження подібних проблемних місць спричиняє значну шкоду, якщо їх вчасно не виявити, локалізувати та нейтралізувати. Через великі площі та, часто, важкодоступність до окремих ділянок поля, для усунення таких проблем застосовується аерофотозйомка з дронів з подальшим її обробленням методами штучного інтелекту, машинного навчання, передусім — глибинного навчання. Кожне зображення розбивається на дрібніші фрагменти та аналізується, але результат аналізу суттєво залежить від вибору розміру таких фрагментів. Мета дослідження — розробити комплексний системний підхід до аналізу та обчислення оптимального за багатьма критеріями розміру найменшого фрагмента зображень аерофотозйомки СГУ для пошуку аномалій у них методами машинного глибинного навчання. Проведено огляд відомих підходів до розв’язання задачі пошуку таких аномалій та запропоновано які саме інформаційні технології потрібно використовувати на етапах передоброблення, машинного глибинного навчання та які типові проблеми слід усувати під час цього, з урахуванням специфіки предметної області. Виділено основні критерії, які необхідно враховувати для розв’язання поставленої задачі: тривалість обчислення, точність (мінімальна похибка) навчання моделі, наближеність середньої площі кластерів до заданої, за умови виконання ряду обмежень. Запропоновано вираз інтегрального критерію для врахування цих критеріїв та підходи щодо вибору їх ваг. Розроблено алгоритм застосування запропонованих підходів та приймів щодо застосування відомих методів машинного глибинного навчання та кластеризації. Наведено реальний приклад застосування цього алгоритму та продемонстровано його ефективність для випадків, коли найвагомішими (з вагою 0,5) критеріями є тривалість обчислень або наближеність середньої площі кластерів до заданої. Запропонований комплекс підходів та прийомів для системного аналізу розмірів фрагмента зображень аерофотозйомки СГУ дозволить підвищити точність та швидкість пошуку аномалій у них методами машинного глибинного навчання та, в цілому, дозволить ефективніше та вчасно виявляти різні захворювання рослин, бур’яни, шкідників тощо.

Big problems for agricultural lands (ACL) are plant diseases, pests, weeds and other anomalies. The rapid growth of such problem areas is of great harm if they are not found in time, localized and neutralized. With a large area and, often, inaccessibility to individual areas of the field, aerial photography from drones with its subsequent processing by artificial intelligence methods, machine learning, first of all — deep learning, is used to eliminate such problems. Each image is divided into small fragments and analyzed, but the result of the analysis essentially depends on the choice of the size of such fragments. The purpose of the study is to develop an integrated systems approach to analyzing and calculating the smallest fragment of aerial photography of an ACL, which is optimal for many criteria, to search for anomalies in them by the methods of machine deep learning. There has been carried out a review of known approaches to solving the problem of finding such anomalies and the information technologies have been proposed which should be used at the preprocessing, machine deep learning stages and the typical problems which should be eliminated during this, taking into account the specifics of the subject area. The main criteria that should be taken into account to solve the problem are highlighted: the duration of the calculations, the accuracy (minimum error) of the model training, the proximity of the average area of clusters to the given one, subject to a number of restrictions. An expression of the integral criterion for taking into account these criteria and approaches to the choice of their weights are proposed. An algorithm has been developed for applying the proposed approaches and techniques for applying the known methods of machine depth learning and clustering. A real example of the application of this algorithm is given and its efficiency is demonstrated for cases where the most significant (with weighing 0,5) criterion is the duration of the calculations and when the proximity of the average area of clusters to the given one. The proposed set of approaches and techniques for systematic analysis of the size of a fragment of an aerial photography image of the ACL will improve the accuracy and speed of searching for anomalies in them by machine deep learning methods and, in general, will allow for more efficient and timely detection of various plant diseases, weeds, pests, and the like.

Большими проблемами для сельскохозяйственных угодий (СХУ) являются заболевания растений, действие вредителей, сорняки и другие аномалии. Быстрое нарастание подобных проблемных мест несет большой вред, если их вовремя не найти, локализовать и нейтрализовать. При большой площади и, часто, труднодоступно- сти к отдельным участкам поля, для устранения таких проблем применяется аэрофотосъемка с беспилотни- ков с последующей ее обработкой методами искусственного интеллекта, машинного обучения, прежде всего — глубинного обучения. Каждое изображение разбивается на мелкие фрагменты и анализируется, но результат анализа существенно зависит от выбора размера таких фрагментов. Цель исследования — разработать ком- плексный системный подход к анализу и вычислению оптимального по многим критериям размера малейшего фрагмента изображения аэрофотосъемки СХУ для поиска аномалий в них методами машинного глубинного обучения. Проведен обзор известных подходов к решению задачи поиска таких аномалий и предложены инфор- мационные технологии, которые следует использовать на этапах предобработки, машинного глубинного обу- чения и какие типовые проблемы следует устранять во время этого, с учетом специфики предметной облас- ти. Выделены основные критерии, которые следует учитывать для решения поставленной задачи: длитель- ность расчетов, точность (минимальная ошибка) обучения модели, близость средней площади кластеров к заданной, при условии выполнения ряда ограничений. Предложено выражение интегрального критерия для учета этих критериев и подходы к выбору их весов. Разработан алгоритм применения предложенных подходов и прие- мов по применению известных методов машинного глубинного обучения и кластеризации. Приведен реальный пример применения этого алгоритма и продемонстрирована его эффективность для случаев, когда наиболее весомыми (с весом 0,5) критериями являются длительность расчетов и близость средней площади кластеров к заданной. Предложенный комплекс подходов и приемов для системного анализа размеров фрагмента изображе- ния аэрофотосъемки СХУ позволит повысить точность и скорость поиска аномалий в них методами машинно- го глубинного обучения и, в целом, позволит более эффективно и своевременно выявлять различные заболева- ния растений, сорняки, вредителей и тому подобное.