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

Фоминский, Виталий Сергеевич Отделение информационных технологий (ОИТ)
Бесплатно
В избранное
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

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

Проблема своевременного обнаружения вредителей леса является
актуальной и на сегодняшний день. Так в настоящее время уссурийский
полиграф является одним из крупнейших вредителей деревьев пихты в
таежных лесах Южной Сибири [1].
Одним из возможных способов решения данной проблемы является
наблюдение за состоянием лесов с беспилотных летательных аппаратов
(БПЛА). С помощью БПЛА можно не только находить поврежденные
вредителями деревья, но и решать другие задачи, например, обнаружение
возгораний.
В дальнейшем изображения, полученные с БПЛА, необходимо
проанализировать. Это можно сделать как вручную, так и автоматизировать
процесс с помощью алгоритмов компьютерного зрения и глубокого обучения
на основе сверточных нейронных сетей (СНС).
Цель работы – исследовать эффективность СНС класса YOLO для
детектирования пораженных деревьев пихты на аэрофотоснимках с БПЛА.
В первом разделе дано краткое описание предметной области.
Данный раздел содержит информацию о различных видах состояния пихт,
сформулирована постановка задачи.
Во втором разделе приведен обзор архитектур СНС и инструментов
реализации СНС.
В третьем разделе представлены используемые для обучения данные,
описаны способы подготовки данных для использования в процессе
обучения нейронных сетей.
Четвертый раздел содержит описание процесса подготовки к
обучению СНС, обучение СНС, а также подбор некоторых гиперпараметров.
В пятом разделе представлен анализ полученных результатов.
В шестом разделе рассмотрены вопросы финансового менеджмента.
Седьмой раздел исследования посвящен задаче социальной
ответственности при выполнении ВКР.
1 Анализ предметной области
1.1 Мониторинг лесов
Уссурийский полиграф – жук из подсемейства короедов семейства
долгоносиков. Первичный ареал обитания данного вредителя – южная часть
Дальнего Востока, Северо-Восточный Китай, Япония и Корея. Спустя
некоторое время уссурийский полиграф распространился в
восточноевропейские и сибирские леса.
В настоящее время уссурийский полиграф является одним из
крупнейших вредителей в таежных лесах Южной Сибири [1]. На рисунке 1
представлен ареал распространения уссурийского полиграфа в лесах
Томской области.

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).

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Дмитрий К. преподаватель, кандидат наук
    5 (1241 отзыв)
    Окончил КазГУ с красным дипломом в 1985 г., после окончания работал в Институте Ядерной Физики, защитил кандидатскую диссертацию в 1991 г. Работы для студентов выполня... Читать все
    Окончил КазГУ с красным дипломом в 1985 г., после окончания работал в Институте Ядерной Физики, защитил кандидатскую диссертацию в 1991 г. Работы для студентов выполняю уже 30 лет.
    #Кандидатские #Магистерские
    2271 Выполненная работа
    AleksandrAvdiev Южный федеральный университет, 2010, преподаватель, канд...
    4.1 (20 отзывов)
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    #Кандидатские #Магистерские
    28 Выполненных работ
    Екатерина Б. кандидат наук, доцент
    5 (174 отзыва)
    После окончания института работала экономистом в системе государственных финансов. С 1988 года на преподавательской работе. Защитила кандидатскую диссертацию. Преподав... Читать все
    После окончания института работала экономистом в системе государственных финансов. С 1988 года на преподавательской работе. Защитила кандидатскую диссертацию. Преподавала учебные дисциплины: Бюджетная система Украины, Статистика.
    #Кандидатские #Магистерские
    300 Выполненных работ
    Кирилл Ч. ИНЖЭКОН 2010, экономика и управление на предприятии транс...
    4.9 (343 отзыва)
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). С... Читать все
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). Сейчас пишу диссертацию на соискание степени кандидата экономических наук.
    #Кандидатские #Магистерские
    692 Выполненных работы
    Алёна В. ВГПУ 2013, исторический, преподаватель
    4.2 (5 отзывов)
    Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическо... Читать все
    Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическое образование. В данный момент работаю преподавателем.
    #Кандидатские #Магистерские
    25 Выполненных работ
    Андрей С. Тверской государственный университет 2011, математический...
    4.7 (82 отзыва)
    Учился на мат.факе ТвГУ. Любовь к математике там привили на столько, что я, похоже, никогда не перестану этим заниматься! Сейчас работаю в IT и пытаюсь найти время на... Читать все
    Учился на мат.факе ТвГУ. Любовь к математике там привили на столько, что я, похоже, никогда не перестану этим заниматься! Сейчас работаю в IT и пытаюсь найти время на продолжение диссертационной работы... Всегда готов помочь! ;)
    #Кандидатские #Магистерские
    164 Выполненных работы
    Ольга Б. кандидат наук, доцент
    4.8 (373 отзыва)
    Работаю на сайте четвертый год. Действующий преподаватель вуза. Основные направления: микробиология, биология и медицина. Написано несколько кандидатских, магистерских... Читать все
    Работаю на сайте четвертый год. Действующий преподаватель вуза. Основные направления: микробиология, биология и медицина. Написано несколько кандидатских, магистерских диссертаций, дипломных и курсовых работ. Слежу за новинками в медицине.
    #Кандидатские #Магистерские
    566 Выполненных работ
    Анна Александровна Б. Воронежский государственный университет инженерных технол...
    4.8 (30 отзывов)
    Окончила магистратуру Воронежского государственного университета в 2009 г. В 2014 г. защитила кандидатскую диссертацию. С 2010 г. преподаю в Воронежском государственно... Читать все
    Окончила магистратуру Воронежского государственного университета в 2009 г. В 2014 г. защитила кандидатскую диссертацию. С 2010 г. преподаю в Воронежском государственном университете инженерных технологий.
    #Кандидатские #Магистерские
    66 Выполненных работ
    Татьяна П.
    4.2 (6 отзывов)
    Помогаю студентам с решением задач по ТОЭ и физике на протяжении 9 лет. Пишу диссертацию на соискание степени кандидата технических наук, имею опыт годовой стажировки ... Читать все
    Помогаю студентам с решением задач по ТОЭ и физике на протяжении 9 лет. Пишу диссертацию на соискание степени кандидата технических наук, имею опыт годовой стажировки в одном из крупнейших университетов Германии.
    #Кандидатские #Магистерские
    9 Выполненных работ

    Другие учебные работы по предмету

    Модернизация системы автоматизации АСУ ТП АО «Farg’onaazot»
    📅 2020год
    🏢 Национальный исследовательский Томский политехнический университет (ТПУ)
    Интеграционный сервис передачи данных между АСУ ТП и MES
    📅 2018год
    🏢 Национальный исследовательский Томский политехнический университет (ТПУ)
    Методы сегментации новообразований головного мозга
    📅 2020год
    🏢 Национальный исследовательский Томский политехнический университет (ТПУ)