Для спасения лесов от массовой гибели ученые предлагают привлечь беспилотники
Российские ученые научились выявлять поврежденные опасными вредителями деревья на ранних стадиях заражения по снимкам с беспилотных летательных аппаратов (БПЛА). Для этого они используют алгоритмы глубоких нейронных сетей YOLO. Это исследование поможет спасти леса от массового поражения. В состав научной группы вошли трое ученых Сибирского федерального университета (СФУ) и представитель Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И.Ульянова. Статья с результатами работы опубликована в журнале Q1 «IEEE Access». Исследование поддержало Минобрнауки России.
Естественные леса — это принципиально важные звенья глобальной экосистемы, поэтому их сохранение — первоочередная задача экологии. Одним из факторов, угрожающих благополучию лесов, стали вредители, которые атакуют деревья, что приводит к их ослаблению или даже гибели. Глобальное потепление (повышение температуры и увеличения частоты засух) только усугубляет проблему. Основным ее решением, уверены экологи, может быть своевременная профилактика распространения вредителей. Для этого необходимо выявлять поврежденные деревья на ранних стадиях их заражения.
На помощь экологам в решении этой задачи пришли программисты. В качестве «модельного» объекта исследования была выбрана норвежская, или европейская ель, распространенная в Швеции, Финляндии, Дании, Германии, Болгарии и других странах. Именно этому дереву массовые нападения короеда европейской ели (Ips typographus, (L.)) принесли наибольший вред. Во время вспышек короеды поражают даже здоровые деревья, что приводит к массовому вымиранию европейских лесов.
Исследования проводили на территории биосферного заповедника Чупрене (Болгария), включенного в список ЮНЕСКО. При выборе метода ограничительными факторами стали большие размеры лесных территорий, наличие труднодоступных мест и необходимость автоматизации традиционного ручного анализа, в том числе для увеличения скорости принятия решений. К счастью, изображения с высоким разрешением, выполненные беспилотными летательными аппаратами, в сочетании с современными моделями обнаружения обеспечивают высокий потенциал для решения таких проблем. Правда, оставался открытым вопрос, каким образом обработать такой гигантский массив данных. Ученым пришлось серьезно поработать над обучением нейронных сетей, а также специально повысить контрастность снимков, чтобы нейронные сети могли лучше «разглядеть» объекты.
В качестве основного алгоритма глубокого обучения для обнаружения объектов была выбрана архитектура YOLO (You Only Look Once или «посмотреть только раз»). Основное отличие YOLO от других алгоритмов сверточной нейронной сети (CNN) заключается в том, что он очень быстро опознает объекты в режиме реального времени. Принцип работы YOLO подразумевает ввод сразу всего изображения, которое проходит через сверточную нейронную сеть только один раз.
«Нам предстояло провести эксперимент и сравнить три архитектуры глубоких нейронных сетей, а именно YOLOv2, YOLOv3 и YOLOv4. Во-первых, мы подготовили набор данных для обучения и тестирования архитектур YOLO на основе ортофотоснимков, полученных с помощью беспилотника. На следующем шаге мы применили к набору данных процедуру предварительной обработки. Этот процесс заключается в увеличении контрастности входного изображения, что позволяет повысить точность обнаружения отдельных крон деревьев. Затем мы обучили и протестировали архитектуры YOLO, используя версии от 2 до 4. Наконец, мы представили результаты сравнения этих архитектур и определили наилучшую архитектуру YOLO для задачи обнаружения зараженных деревьев», — рассказала доцент кафедры систем искусственного интеллекта Сибирского федерального университета, кандидат технических наук Анастасия Сафонова.
Для того чтобы нейронные сети смогли точно идентифицировать увиденное, пришлось «показать» им не меньше 400 фотографий, сделанных БПЛА. По результатам экспериментов наиболее предпочтительной ученые назвали архитектуру YOLOv4. Средняя точность достигала 95%, что стало лучшим результатом. Теперь аналогичным образом можно тренировать искусственный интеллект в обнаружении других вредителей и на других видах деревьев. Это, в свою очередь, позволит сократить время на проведение мониторинга и принятие мер по предотвращению лесных эпидемий.