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!

    Татьяна П. МГУ им. Ломоносова 1930, выпускник
    5 (9 отзывов)
    Журналист. Младший научный сотрудник в институте РАН. Репетитор по английскому языку (стаж 6 лет). Также знаю французский. Сейчас занимаюсь написанием диссертации по и... Читать все
    Журналист. Младший научный сотрудник в институте РАН. Репетитор по английскому языку (стаж 6 лет). Также знаю французский. Сейчас занимаюсь написанием диссертации по истории. Увлекаюсь литературой и темой космоса.
    #Кандидатские #Магистерские
    11 Выполненных работ
    Мария А. кандидат наук
    4.7 (18 отзывов)
    Мне нравится изучать все новое, постоянно развиваюсь. Могу написать и диссертацию и кандидатскую. Есть опыт в различных сфера деятельности (туризм, экономика, бухучет... Читать все
    Мне нравится изучать все новое, постоянно развиваюсь. Могу написать и диссертацию и кандидатскую. Есть опыт в различных сфера деятельности (туризм, экономика, бухучет, реклама, журналистика, педагогика, право)
    #Кандидатские #Магистерские
    39 Выполненных работ
    Лидия К.
    4.5 (330 отзывов)
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии ... Читать все
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии и педагогики. Написание диссертаций, ВКР, курсовых и иных видов работ.
    #Кандидатские #Магистерские
    592 Выполненных работы
    Анна Н. Государственный университет управления 2021, Экономика и ...
    0 (13 отзывов)
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уни... Читать все
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уникальности с нуля. Все работы оформляю в соответствии с ГОСТ.
    #Кандидатские #Магистерские
    0 Выполненных работ
    Дмитрий Л. КНЭУ 2015, Экономики и управления, выпускник
    4.8 (2878 отзывов)
    Занимаю 1 место в рейтинге исполнителей по категориям работ "Научные статьи" и "Эссе". Пишу дипломные работы и магистерские диссертации.
    Занимаю 1 место в рейтинге исполнителей по категориям работ "Научные статьи" и "Эссе". Пишу дипломные работы и магистерские диссертации.
    #Кандидатские #Магистерские
    5125 Выполненных работ
    Сергей Н.
    4.8 (40 отзывов)
    Практический стаж работы в финансово - банковской сфере составил более 30 лет. За последние 13 лет, мной написано 7 диссертаций и более 450 дипломных работ и научных с... Читать все
    Практический стаж работы в финансово - банковской сфере составил более 30 лет. За последние 13 лет, мной написано 7 диссертаций и более 450 дипломных работ и научных статей в области экономики.
    #Кандидатские #Магистерские
    56 Выполненных работ
    Ольга Р. доктор, профессор
    4.2 (13 отзывов)
    Преподаватель ВУЗа, опыт выполнения студенческих работ на заказ (от рефератов до диссертаций): 20 лет. Образование высшее . Все заказы выполняются в заранее согласован... Читать все
    Преподаватель ВУЗа, опыт выполнения студенческих работ на заказ (от рефератов до диссертаций): 20 лет. Образование высшее . Все заказы выполняются в заранее согласованные сроки и при необходимости дорабатываются по рекомендациям научного руководителя (преподавателя). Буду рада плодотворному и взаимовыгодному сотрудничеству!!! К каждой работе подхожу индивидуально! Всегда готова по любому вопросу договориться с заказчиком! Все работы проверяю на антиплагиат.ру по умолчанию, если в заказе не стоит иное и если это заранее не обговорено!!!
    #Кандидатские #Магистерские
    21 Выполненная работа
    Татьяна С. кандидат наук
    4.9 (298 отзывов)
    Большой опыт работы. Кандидаты химических, биологических, технических, экономических, юридических, философских наук. Участие в НИОКР, Только актуальная литература (пос... Читать все
    Большой опыт работы. Кандидаты химических, биологических, технических, экономических, юридических, философских наук. Участие в НИОКР, Только актуальная литература (поставки напрямую с издательств), доступ к библиотеке диссертаций РГБ
    #Кандидатские #Магистерские
    551 Выполненная работа
    Екатерина Д.
    4.8 (37 отзывов)
    Более 5 лет помогаю в написании работ от простых учебных заданий и магистерских диссертаций до реальных бизнес-планов и проектов для открытия своего дела. Имею два об... Читать все
    Более 5 лет помогаю в написании работ от простых учебных заданий и магистерских диссертаций до реальных бизнес-планов и проектов для открытия своего дела. Имею два образования: экономист-менеджер и маркетолог. Буду рада помочь и Вам.
    #Кандидатские #Магистерские
    55 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)