ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СРЕДСТВАМИ В ЗАДАЧЕ СЕГМЕНТАЦИИ НОР ГРЫЗУНОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКИХ СВЕРТОЧНЫХ АРХИТЕКТУР
Аннотация
Исследуется применение нейросетевых архитектур для семантической сегментации нор грызунов с целью мониторинга их популяции на сельскохозяйственных полях. В частности, рас- сматриваются три модели для семантической сегментации: сверточный автокодировщик (САК), SegNet и U-Net. Эти модели применяются для анализа изображений, полученных с беспилотных летательных аппаратов (БпЛА) и наземных роботизированных средств (РТС), что позволяет автоматически выявлять норы, минимизируя необходимость в трудозатратах при обработке больших объемов данных. Для обучения и тестирования моделей была подготовлена выборка, включающая 247 RGB-изображений, содержащих 1098 размеченных нор. Оценка показателей ка- чества семантической сегментации проводилась с использованием метрики Джаккара (IoU), в результате чего были получены следующие значения: 0,511 для САК, 0,548 для SegNet и 0,529 для U-Net. Была проведена оценка вычислительных ресурсов, необходимых для внедрения этих моделей в бортовые вычислительные устройства (БВУ) мобильных РТС. Рассмотрены два критерия: ко- личество операций с плавающей точкой (GFLOPS) и количество параметров моделей. Результа- ты показали, что SegNet требует 2,23 GFLOPS и имеет 0,76 миллиона параметров, что в 2,58 и 2,33 раза меньше по сравнению с САК и U-Net соответственно. Количество операций с плавающей точкой для SegNet также оказалось на 2,43 и 1,88 раза ниже, чем у САК и U-Net соответственно. В результате, SegNet превзошла САК и U-Net как в эффективности сегментации, так и в требуе- мых вычислительных ресурсах. Данная работа выполнялась в рамках реализации системы компь- ютерного зрения сельскохозяйственной РТС.
Список литературы
1. Witmer G. Rodents in Agriculture: A Broad Perspective // Agronomy. – 2022. – Vol. 12, No. 6. – P. 1458.
2. Old J. M., Lin S.H., Franklin M.J.M. Mapping out bare-nosed wombat (Vombatus ursinus) burrows
with the use of a drone //BMC Ecology. – 2019. – Vol. 19, No. 1. – P. 1-10.
3. Фаворская М.Н., Нишчхал Н. Верификация разливов нефти на водных поверхностях по аэрофо-
тоснимкам на основе методов глубокого обучения //Информатика и автоматизация. – 2022.
– Т. 21, № 5. – С. 937-962.
4. Hao S., Zhou Y., Guo Y. A brief survey on semantic segmentation with deep learning //
Neurocomputing. – 2020. – Vol. 406. – P. 302-321.
5. Hafiz A. M., Bhat G. M. A survey on instance segmentation: state of the art // International Journal of
Multimedia Information Retrieval. – 2020. – Vol. 9, No. 3. – P. 171-189.
6. Kirillov A., He, K., Girshick R., Rother C., Dollár P. Panoptic segmentation // Proceedings of the
IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2019. – P. 9404-9413.
7. Geddes A.M.W. The relative importance of pre-harvest crop pests in Indonesia // Bulletin-Natural Resources
Institute. – 1992. – No. 47.
8. Leirs H. Management of rodents in crops: the Pied Piper and his orchestra //ACIAR Monograph Series.
– 2003. – Vol. 96. – P. 183-190.
9. Singleton G., Belmain S., Brown P. R., Aplin K., Htwe N. M. Impacts of rodent outbreaks on food security
in Asia // Wildlife Research. – 2010. – Vol. 37, No. 5. – P. 355-359.
10. John A. Rodent outbreaks and rice pre-harvest losses in Southeast Asia // Food Security. – 2014.
– Vol. 6, No. 2. – P. 249-260.
11. Chow J., Su Z., Wu J., Tan P. S., Mao X., Wang Y. H. Anomaly detection of defects on concrete structures
with the convolutional autoencoder // Advanced Engineering Informatics. – 2020. – Vol. 45. – P. 101105.
12. Krestovnikov K.D., Erashov A.A. Development of architecture and generalized structure of modules
for a distributed control system for general-purpose robotic complexes // Robotics and Cybernetics.
– 2022. – Vol. 10, No. 3. – P. 201-212. (In Russ.).
13. Sun C., Bao Y., Bao Y., Vandansambuu B., Bayarsaikhan S., Gantumur B., Wu K. Detection and classification
of Brandt’s vole burrow clusters utilizing GF-2 satellite imagery and faster R-CNN model //
Frontiers in Ecology and Evolution. – 2024. – Vol. 12. – P. 1310046.
14. Heydari M., Mohamadzamani D., Parashkouhi M. G., Ebrahimi E., Soheili A. An Algorithm for Detecting
the Location of Rodent-Made Holes through Aerial Filming by Drones // Archives of Pharmacy
Practice. – 2020. – Vol. 1. – P. 55.
15. Ezzy H., Charter M., Bonfante A., Brook A. How the small object detection via machine learning and
UAS-based remote-sensing imagery can support the achievement of SDG2: A case study of vole burrows
// Remote Sensing. – 2021. – Vol. 13. – No. 16. – P. 3191.
16. Li C., Luo X., Pan X. CGT-YOLOv5n: A Precision Model for Detecting Mouse Holes Amid Complex
Grassland Terrains // Applied Sciences. – 2023. – Vol. 14, No. 1. – P. 291.
17. Du M., Wang D., Liu S., Lv C., Zhu Y. Rodent hole detection in a typical steppe ecosystem using UAS
and deep learning // Frontiers in Plant Science. – 2022. – Vol. 13. – P. 992789.
18. Xie T., Luo X., Pan X. BSM-YOLO: A Dynamic Sparse Attention-Based Approach for Mousehole
Detection // IEEE Access. – 2024.
19. Wan J., Jian D., Yu D. Research on the method of grass mouse hole target detection based on deep learning
// Journal of Physics: Conference Series. – IOP Publishing, 2021. – Vol. 1952. – No. 2. – P. 022061.
20. Google Pictures. – URL: https://www.google.ru/imghp?hl=ru&ogbl (дата обращения: 11.01.2025).
21. Labelme. Image Polygonal Annotation with Python. – URL: https://github.com/wkentaro/labelme
(дата обращения: 11.01.2025).
22. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal
covariate shift //International Conference on Machine Learning. – PMLR, 2015. – P. 448-456.
23. Glorot X., Bordes A., Bengio Y. Deep sparse rectifier neural networks // Proceedings of the Fourteenth
International Conference on Artificial Intelligence and Statistics. – JMLR Workshop and Conference
Proceedings, 2011. – P. 315-323.
24. PyTorch. – URL: pytorch.org (дата обращения: 11.01.2025).
25. Bergmann P., Löwe S., Fauser M., Sattlegger D., Steger C. Improving unsupervised defect segmentation
by applying structural similarity to autoencoders //arXiv preprint arXiv:1807.02011. – 2018.
26. Астапова М.А., Уздяев М.Ю., Кондратьев В.М. Прогнозирование урожайности зеленых культур на
основе мониторинга морфометрических параметров посредством машинного зрения и нейронных
сетей // Известия Кабардино-Балкарского научного центра РАН. – 2024. – Т. 26, № 3. – С. 11-20.
