Российские ученые научились выявлять поврежденные опасными вредителями деревья на ранних стадиях заражения по снимкам с беспилотных летательных аппаратов (БПЛА). Для этого они используют алгоритмы глубокой нейронной сети YOLO. Это исследование поможет спасти леса от массового уничтожения. 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 выполнено при поддержке Министерства образования и науки Российской Федерации.

Естественные леса являются критически важными звеньями глобальной экосистемы, поэтому их сохранение является главным приоритетом экологии. Одним из факторов, угрожающих благополучию лесов, являются вредители, которые нападают на деревья, вызывая их ослабление или даже гибель. Глобальное потепление (повышение температуры и учащение засух) только усугубляет проблему. Их главным решением, считают экологи, может стать своевременная профилактика распространения вредителей. Для этого необходимо выявить поврежденные деревья на ранних стадиях их заражения.

На помощь экологам в решении этой проблемы пришли программисты. В качестве «модельного» объекта исследования была выбрана ель норвежская или европейская, распространенная в Швеции, Финляндии, Дании, Германии, Болгарии и других странах. Именно этому дереву был нанесен наибольший ущерб массовыми нападениями европейского елового жука-короеда (Ips typographus, (L.)). Во время вспышек короеды заражают даже здоровые деревья, что приводит к массовому вымиранию европейских лесов.

Исследования проводились на территории биосферного заповедника Чупрене (Болгария), включенного в список ЮНЕСКО. При выборе метода ограничивающими факторами были большие размеры лесных массивов, наличие труднодоступных мест и необходимость автоматизации традиционного ручного анализа, даже для увеличения скорости принятия решений. К счастью, изображения с дронов высокого разрешения в сочетании с современными моделями обнаружения обеспечивают большой потенциал для решения таких проблем. Правда, оставался открытым вопрос, как обрабатывать такой гигантский массив данных. Ученым пришлось серьезно поработать над обучением нейросетей,а также специально повышать контрастность изображений, чтобы нейронные сети могли лучше «видеть» объекты.

Архитектура YOLO (You Only Look Once) была выбрана в качестве основного алгоритма глубокого обучения для обнаружения объектов. Основное отличие YOLO от других алгоритмов сверточной нейронной сети (CNN) заключается в том, что он очень быстро распознает объекты в режиме реального времени. Принцип работы YOLO заключается в вводе всего изображения за раз, которое проходит через сверточную нейронную сеть только один раз.

«Нам пришлось провести эксперимент и сравнить три архитектуры глубоких нейронных сетей, а именно YOLOv2, YOLOv3 и YOLOv4. Во-первых, мы готовим набор данных для обучения и тестирования архитектур YOLO на основе ортофотоснимков дронов. На следующем шаге мы применяем процедуру предварительной обработки к набору данных. Этот процесс заключается в повышении контрастности входного изображения, что позволяет повысить точность обнаружения отдельных крон деревьев. Затем мы обучили и протестировали архитектуры YOLO с использованием версий со 2 по 4. Наконец, мы представляем результаты сравнения этих архитектур и определяем лучшую архитектуру YOLO для задачи обнаружения зараженных деревьев», — сказал доцент кафедры искусственного интеллекта информационных систем. Сибирский федеральный. Колледж.

Для того чтобы нейросети могли точно идентифицировать увиденное, им нужно было «отобразить» не менее 400 фотографий, сделанных БПЛА. По результатам экспериментов ученые оценили архитектуру YOLOv4 как наиболее предпочтительную. Средняя точность достигла 95%, что стало лучшим результатом. Теперь аналогичным образом искусственный интеллект можно обучить обнаруживать других вредителей на других типах деревьев. Это, в свою очередь, сократит время на мониторинг и принятие мер по предупреждению лесных эпидемий.