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

    Последние выполненные заказы

    Хочешь уникальную работу?

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

    Вирсавия А. медицинский 1981, стоматологический, преподаватель, канди...
    4.5 (9 отзывов)
    руководитель успешно защищенных диссертаций, автор около 150 работ, в активе - оппонирование, рецензирование, написание и подготовка диссертационных работ; интересы - ... Читать все
    руководитель успешно защищенных диссертаций, автор около 150 работ, в активе - оппонирование, рецензирование, написание и подготовка диссертационных работ; интересы - медицина, биология, антропология, биогидродинамика
    #Кандидатские #Магистерские
    12 Выполненных работ
    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
    Шиленок В. КГМУ 2017, Лечебный , выпускник
    5 (20 отзывов)
    Здравствуйте) Имею сертификат специалиста (врач-лечебник). На данный момент являюсь ординатором(терапия, кардио), одновременно работаю диагностом. Занимаюсь диссертац... Читать все
    Здравствуйте) Имею сертификат специалиста (врач-лечебник). На данный момент являюсь ординатором(терапия, кардио), одновременно работаю диагностом. Занимаюсь диссертационной работ. Помогу в медицинских науках и прикладных (хим,био,эколог)
    #Кандидатские #Магистерские
    13 Выполненных работ
    Ксения М. Курганский Государственный Университет 2009, Юридический...
    4.8 (105 отзывов)
    Работаю только по книгам, учебникам, статьям и диссертациям. Никогда не использую технические способы поднятия оригинальности. Только авторские работы. Стараюсь учитыв... Читать все
    Работаю только по книгам, учебникам, статьям и диссертациям. Никогда не использую технические способы поднятия оригинальности. Только авторские работы. Стараюсь учитывать все требования и пожелания.
    #Кандидатские #Магистерские
    213 Выполненных работ
    user1250010 Омский государственный университет, 2010, преподаватель,...
    4 (15 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
    21 Выполненная работа
    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
    Дарья С. Томский государственный университет 2010, Юридический, в...
    4.8 (13 отзывов)
    Практикую гражданское, семейное право. Преподаю указанные дисциплины в ВУЗе. Выполняла работы на заказ в течение двух лет. Обучалась в аспирантуре, подготовила диссерт... Читать все
    Практикую гражданское, семейное право. Преподаю указанные дисциплины в ВУЗе. Выполняла работы на заказ в течение двух лет. Обучалась в аспирантуре, подготовила диссертационное исследование, которое сейчас находится на рассмотрении в совете.
    #Кандидатские #Магистерские
    18 Выполненных работ
    Сергей Е. МГУ 2012, физический, выпускник, кандидат наук
    4.9 (5 отзывов)
    Имеется большой опыт написания творческих работ на различных порталах от эссе до кандидатских диссертаций, решения задач и выполнения лабораторных работ по любым напра... Читать все
    Имеется большой опыт написания творческих работ на различных порталах от эссе до кандидатских диссертаций, решения задач и выполнения лабораторных работ по любым направлениям физики, математики, химии и других естественных наук.
    #Кандидатские #Магистерские
    5 Выполненных работ
    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

    Другие учебные работы по предмету

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