Детектирование с помощью сверточных нейронных сетей класса YOLO на изображениях деревьев пихты, пораженных уссурийским полиграфом

Приведены результаты исследования сверточных нейронных сетей класса YOLO при детектировании пихт различной степени поражения уссурийским полиграфом. Показаны пути улучшения полученных результатов.

1 Анализ предметной области ………………………………………………………………… 14
1.1 Мониторинг лесов ……………………………………………………………………………. 14
1.2 Постановка задачи исследования ……………………………………………………… 15
2 Обзор архитектур нейронных сетей …………………………………………………….. 17
2.1 Задачи компьютерного зрения ………………………………………………………….. 17
2.2 Сверточная нейронная сеть YOLO v2 ……………………………………………….. 17
2.3 Сверточная нейронная сеть YOLO v3 ……………………………………………….. 21
2.4 Сверточная нейронная сеть RetinaNet ……………………………………………….. 23
2.5 Сверточная нейронная сеть Faster R-CNN…………………………………………. 24
2.6 Сравнение СНС различных архитектур …………………………………………….. 25
2.7 Обзор средств реализации СНС ………………………………………………………… 26
3 Подготовка данных …………………………………………………………………………….. 27
4 Обучение СНС ……………………………………………………………………………………. 30
4.1 Подбор якорных ограничивающих прямоугольников ……………………….. 30
4.2 Обучение и исследование СНС YOLO v2 …………………………………………. 32
4.3 Обучение и исследование СНС YOLO v2 tiny …………………………………… 38
4.4 Исследование алгоритма NMS………………………………………………………….. 40
5 Анализ полученных результатов …………………………………………………………. 42
6 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение 43
6.1 Организация и планирование работ ………………………………………………….. 43
6.1.1 Структура работ в рамках научного исследования ………………………. 43
6.1.2 Определение трудоемкости выполнения работ ……………………………. 44
6.2 Расчет сметы затрат на выполнение проекта …………………………………….. 45
6.2.1 Расчет затрат на специальное оборудование для научных работ ….. 45
6.2.2 Заработная плата исполнителей темы ………………………………………….. 46
6.2.3 Расчет затрат на электроэнергию…………………………………………………. 46
6.2.4 Расчет амортизационных расходов ……………………………………………… 47
6.2.5 Расчет общей себестоимости разработки …………………………………….. 47
6.2.6 Расчет прибыли …………………………………………………………………………… 47
6.2.7 Расчет НДС…………………………………………………………………………………. 48
6.2.8 Цена разработки НИР …………………………………………………………………. 48
6.3 Оценка экономической эффективности проекта ……………………………….. 48
7 Социальная ответственность ……………………………………………………………….. 49
7.1 Правовые и организационные вопросы обеспечения безопасности ……. 49
7.1.1 Правовые нормы трудового законодательства для рабочей зоны
оператора ПЭВМ ………………………………………………………………………………… 49
7.2 Производственная безопасность……………………………………………………….. 50
7.2.1 Анализ вредных и опасных факторов ………………………………………….. 50
7.3 Экологическая безопасность …………………………………………………………….. 56
7.3.1 Анализ воздействия на окружающую среду ………………………………… 56
7.4 Безопасность в чрезвычайных ситуациях ………………………………………….. 56
Заключение ……………………………………………………………………………………………… 58
Список источников ………………………………………………………………………………….. 59
Приложение А …………………………………………………………………………………………. 62
1. Convolutional neural network training ……………………………………………………… 63
1.1 Defining the size of anchor bounding boxes ………………………………………….. 63
1.2 YOLO v2 research and training …………………………………………………………… 65
1.3 YOLO v2 tiny research and training …………………………………………………….. 70
1.4 NMS algorithm researching ………………………………………………………………… 72
Приложение Б ………………………………………………………………………………………….. 74

В последние годы для мониторинга лесов используются БПЛА.
Именно с их помощью можно оперативно сделать снимок лесов, и по
снимкам обнаружить вредителей лесов, и оценить степень повреждения
деревьев.
В работе предложено автоматизировать процесс интерпретации
снимков с БПЛА с помощью сверточных нейронных сетей. Для этого
решается задача детектирования на снимках деревьев пихты на снимках,
пораженных уссурийским полиграфом. Исследуется возможности СНС
класса YOLO при решении этой задачи детектирования. При этом
получаются следующие результаты.
Была проведена разметка исходного изображения, которое затем
было нарезано на фрагменты.
Перед началом обучения СНС была произведена подборка размеров
якорных ограничивающих прямоугольников с помощью алгоритма k-means.
В ходе обучения СНС было проведено исследование зависимости
точности детектирования от числа эпох и используемых методов
аугментации данных. В ходе исследования было получено, что при
использовании двухэтапного подхода при обучении СНС достигаются
наилучшие результаты детектирования на тестовой выборке.
Кроме того, для обученных СНС были подобраны значения
пороговых параметров. В результате было выявлено, что при двухэтапном
обучении СНС с большей уверенностью детектирует пихты, поскольку был
использован порог с большим значением для вероятности классов.
После завершения обучения было проведено исследование различных
модификаций алгоритма NMS. Однако для данного набора данных
первоначальный алгоритм NMS продемонстрировал наилучшие по точности
результаты.

1. С.А.Кривец, И.А.Керчев,Э.М.Бисирова,Н.В.Пашенова,
Д.А.Демидко, В.М.Петько, Ю.Н.Баранчиков. Уссурийский полиграф в лесах
Сибири (распространение, биология, экология, выявление и обследование
поврежденных насаждений). Методическое пособие. Томск-Красноярск,
2015. 48 с.
2. Spatial localization and detection [Электронный ресурс] / Stanford
University CS231n: Convolutional Neural Networks for Visual Recognition –
URL:http://cs231n.stanford.edu/slides/2016/winter1516_lecture8.pdf(Дата
обращения 08.09.2019);
3. Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollar.
Focal Loss for Dense Object Detection;
4. Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-
CNN: Towards Real-Time Object Detection with Region Proposal Networks;
5. Joseph Redmon, Ali Farhadi. YOLO9000: Better, Faster, Stronger;
6. Joseph Redmon Ali Farhadi. YOLOv3: An Incremental Improvement;
7. YOLO v2 in Keras and applications [Электронный ресурс] / The
world’sleadingsoftwaredevelopmentplatform–GitHub–URL:
https://github.com/experiencor/keras-yolo2 (Дата обращения 08.09.2019);
8. Detection Evaluation [Электронный ресурс] / COCO – Common
objects in context – URL: http://cocodataset.org/#detection-eval (Дата обращения
09.12.2019);
9. YOLO: Real time object detection [Электронный ресурс] – URL:
https://pjreddie.com/darknet/yolo/ (Дата обращения: 29.05.2020);
10. Caffe [Электронный ресурс] – URL: https://caffe.berkeleyvision.org/
(Дата обращения 08.09.2019);
11. DL4J [Электронный ресурс] – URL: https://deeplearning4j.org/
(Дата обращения 08.09.2019);
12. Tensorflow[Электронныйресурс]–URL:
https://www.tensorflow.org/ (Дата обращения 08.09.2019);
13. Keras [Электронный ресурс] – URL: https://keras.io/ (Дата
обращения 08.09.2019);
14. Pytorch [Электронный ресурс] – URL: https://pytorch.org/ (Дата
обращения 08.09.2019);
15. MXNet [Электронный ресурс] – URL: https://mxnet.apache.org/
(Дата обращения 08.09.2019);
16. Darknet [Электронный ресурс] – URL: https://pjreddie.com/darknet/
(Дата обращения 08.09.2019);
17. Computer Vision Annotation Tool (CVAT) [Электронный ресурс] /
github – URL: https://github.com/opencv/cvat (Дата обращения 11.02.2020);
18. Darknet: Convolutional neural networks [Электронный ресурс] /
github – URL: https://github.com/pjreddie/darknet (Дата обращения 06.03.2020);
19. Kaggle: Amazon from Space – трюки и хаки при обучении
нейросетей. [Электронный ресурс] / habr – URL: https://habr.com/ru/
company/ods/blog/413667/ (Дата обращения 25.02.2020);
20. Navaneeth Bodla, Bharat Singh, Rama Chellappa, Larry S. Davis:
Improving Object Detection With One Line of Code;
21. ГОСТ 12.0.003-74. ССБТ. Опасные и вредные производственные
факторы. Классификация;
22. “Трудовой кодекс Российской Федерации” от 30.12.2001 N 197-ФЗ
(ред. от 27.12.2018).
23. СанПиН 2.2.4.548–96. Гигиенические требования к микроклимату
производственных помещений;
24. СанПиН 2.2.2/2.4.1340–03. Санитарно-эпидемиологические
правила и нормативы «Гигиенические требования к персональным
электронно-вычислительным машинам и организации работы»;
25. Таблица «Коэффициент использования светового потока»
[Электронный ресурс] – URL: https://www.websor.ru/metodkoefi.html (дата
обращения 28.05.2020);
26. Как самостоятельно выполнить расчет освещенности помещения
[Электронный ресурс] / Электрика своими руками – URL: https://elektrika-
svoimi-rykami.com/raschet-osveshheniya/raschet-osveshheniya (дата обращения
02.06.2020);
27. СНиП 23-05-95. Естественное и искусственное освещение;
28. ГОСТ 12.1.003–83 ССБТ. Шум. Общие требования безопасности;
29. Грязная и опасная сторона технологий [Электронный ресурс] /
МирПК–URL:https://www.osp.ru/pcworld/2013/06/13035804(дата
обращения 19.05.2020).