Наша высококвалифицированная команда по исследованиям и разработкам является основным двигателем нашей компании, поскольку они работают рука об руку с технологиями и инновациями, чтобы предлагать новые решения для решения глобальных проблем. Теперь мы хотели бы познакомить вас с опытом нашей группы исследований и разработок.
Сегодня, благодаря развитию технологий, мы располагаем мощными инструментами для улучшения управления сельским хозяйством и оптимизации производительности. Дистанционное зондирование, такое как обработка спутниковых изображений, является прекрасным примером этого.
Важность статистики землепользования неоспорима в современном сельском хозяйстве и бизнесе. Точное и актуальное картографирование землепользования требует точной классификации земель, что затруднительно без последующего определения границ полей.
Обычно существующие карты основаны на исторических административных картах или разработаны вручную на основе данных наблюдений. Первые не выдерживают высокой точности. Второй требует значительного количества ручного труда, который зависит от количества создаваемых или обновляемых карт. Ни один из этих двоих не выдерживает проверки изменчивости во времени. В таких обстоятельствах прогнозы урожайности не дают точных оценок и могут привести к дефициту или нарушению определенных товарных рынков.
Защита посевных площадей - еще одна сфера интересов в управлении сельским хозяйством, и такие карты приносят значительную пользу. Учитывая растущую тенденцию потребления, характерную для пахотных земель как развитых, так и все еще развивающихся стран, защита позволяет обеспечить урожайность и сохранить плодородие почвы.
Таким образом, проблема определения границ поля сельскохозяйственных культур существует во многих областях и, несмотря на множество уже имеющихся решений, все еще находится в стадии разработки. Давайте сосредоточимся на некоторых из этих решений и обсудим основные преимущества и проблемы, с которыми вы можете столкнуться во время внедрения.
Определение границ участка с помощью классического подхода компьютерного зрения
С точки зрения классических подходов, эту проблему можно решить с помощью растрового анализа. В документе Определение границ сельскохозяйственных полей на многотемпоральных спутниковых изображениях подробно рассматривается этот подход. Перед командой исследователей стояла задача разработать алгоритм определения границ сельскохозяйственных полей Новой Зеландии по спутниковым снимкам.
Процесс начинается с выбора семи последовательных дат для каждого красного, ближнего инфракрасного (NIR) и коротковолнового инфракрасного (SWIR) диапазона. Алгоритм включает в себя обширный анализ изображений (т. Е. Полос) с вычислением стандартного отклонения на небольшое радиальное окно (как в оригинальной статье предлагается с радиусом 5 пикселей), в результате чего карта усредняется, свертывается с направленными фильтрами для поиска потенциальных линий, что дает одно изображение. на направление фильтра (16 фильтров в бумаге). На рисунке 1 показаны некоторые из них. Затем полученные изображения подвергаются пороговому значению и объединяются с использованием поэлементной операции ИЛИ для каждого пикселя. На этапе векторизации линии истончаются, сглаживаются, маленькие линии расширяются и отфильтровываются, если они не образуют замкнутый контур. И в итоге карта границ готова.
Однако оценка точности показывает, что этот метод применим там, где достаточно ошибки до 20 м. Более строгая оценка дает точность всего 59%.
Когда мы пытались реализовать такую логику в нашем исследовании, мы обнаружили, что эта установка довольно хрупкая. Пришлось применить несколько разных пороговых значений, но эти пороговые значения работают для изображений, сделанных весной, и не дают хороших результатов для изображений, сделанных осенью.
Предоставлено: North, Heather & Pairman, David & Belliss, S.E .. (2018). Границы сельскохозяйственных полей на разновременных спутниковых снимках. Журнал IEEE по избранным темам прикладных наблюдений Земли и дистанционного зондирования. PP. 1–15. 10.1109 / JSTARS.2018.2884513.
Классические алгоритмы машинного обучения для определения границ
Сами по себе традиционные подходы компьютерного зрения не дают хороших результатов для такой задачи, как наша. С другой стороны, подходы к глубокому обучению требуют огромных объемов помеченных данных. Есть ли способ достичь достаточно разумной точности с небольшими наборами данных?
Классические алгоритмы машинного обучения обычно лучше всего работают с ограниченными наборами данных. В статье предлагается один из направлений: Подход машинного обучения для разграничения сельскохозяйственных участков посредством агломеративной сегментации. Исследовательская группа использовала изображения, полученные на основе рассчитанных индексов, а именно, нормализованного разностного индекса растительности (NDVI), нормализованного разностного индекса воды (NDWI) и индекса спектральной формы (SSI). Такие изображения позволяли им получать суперпиксели, локальные кластеры пикселей, создавая дополнительные карты функций для следующего шага. Оттуда исследователи обучили классификатор RUSboost выполнять двоичную классификацию пикселей.
Такой метод позволил команде достичь точности 92%, что впечатляет, учитывая небольшой объем данных и относительно простую процедуру предварительной обработки данных и обучения модели.
Построение контуров на основе графиков
Поиск контуров - это еще один метод, который можно применить к задаче обнаружения границ участка. Идея предложена в статье Извлечение сельскохозяйственных полей из изображений дистанционного зондирования с использованием графических контуров роста.
Активное нахождение контуров, также называемое «змейками», не новость в компьютерном зрении. Однако, как обсуждали авторы, некоторые общие недостатки, такие как пропуск острых углов, могут быть устранены, при этом было упомянуто, что это может усложнить алгоритм. Команда исследователей из Кильского университета выбрала в качестве предметной области земли Шлезвиг-Гольштейн, в которой преобладает сельскохозяйственное использование. Чтобы решить эту задачу, перед нахождением фактических контуров была выполнена серия преобразований, в частности, билинейная фильтрация, преобразование цветового пространства между цветовыми пространствами YUV и RGB с использованием градиента, обнаруживающего локальную анизотропию.
Наконец, предварительно обработанные изображения состоят из информативных карт характеристик, которые позволяют находить активные контуры, поскольку такая процедура основана на понятиях внутренней и внешней энергии.
Однако подход к активному поиску контуров изменился. Первые потенциальные поля засеваются в наиболее вероятные точки на основе дескрипторов, полученных на этапах предварительной обработки. Затем построение взвешенного графа начинается с того, что семя является первым узлом. Такой граф будет построен в виде круга, но назначение весов и пересчет позволяют в конце концов обрезать вершины и ребра, веса которых слишком малы. Полученные контуры затем трансформируют полигоны, границы которых подлежат выделению.
При оценке на существующих картах землепользования этот подход выявил 99% общей площади и потери при подсчете полей менее 9%. Однако авторы отмечают, что границы полей вблизи городских территорий часто выделялись неверно. В качестве возможного шага постобработки они предложили отфильтровать городские структуры.
Подход сверточной нейронной сети
Глубокие нейронные сети помогают устранить недостатки классических подходов к компьютерному зрению и могут обнаруживать более сложные закономерности. Другая группа исследователей подошла к задаче обнаружения границ с использованием современной архитектуры нейронной сети ResUNet в статье «Глубокое обучение на грани»: извлечение границ поля из спутниковых изображений с помощью сверточной нейронной сети. Площадь, представлявшая наибольший интерес, составляла 120 000 квадратных километров «кукурузного четырехугольника в Южной Африке». Авторы использовали обычные Sentinel-2, в основном зеленый, синий, красный и ближний инфракрасный диапазоны. Предварительная обработка изображений не производилась, но решающее значение имела маркировка: поставив перед собой цель объединить обнаружение на основе области и края, исследователи пометили границы поля как один класс, а всю область поля - как другой. Результаты оказались вполне приличными с общей точностью 90%.
Мы пробовали эту архитектуру, но у нас был один класс, границы. Также для теста мы использовали несколько других архитектур - оригинальную UNet и UNet ++. ResNet работает почти так же, как UNet. Однако UNet ++ работает лучше двух других. Возможно, еще одно имеет значение: обычно границы видны человеческому глазу, мы предполагали, что алгоритм обнаружит и эту закономерность. Таким образом, мы использовали обычные красные, синие и зеленые полосы, исключая ближнюю инфракрасную область. Это может быть следующим шагом в наших поисках.
Обнаружение границ с помощью сверточных нейронных сетей для других объектов
Исследовательская группа из Института геопространственной инженерии и геодезии, Польша, подошла к обнаружению границ полей на основе подхода сегментации экземпляров. В качестве района исследования они выбрали часть Варшавы и пометили объекты метками классов. Была выбрана центральная архитектура для обучения Mask R-CNN, дополненная другой «мини-сетью», указывающей, где искать интересующий шаблон. Такой сетью является сеть региональных предложений (RPN), широко применяемая в задачах обнаружения объектов различного типа. Исследователи показали, что усовершенствованная система CNN Faster Edge Region (FER-CNN) не только успешно классифицирует здания по спутниковым изображениям, но и позволяет значительно лучше оценивать границы.
В чем тут новаторство исследователей?
По сравнению с исходным предложенным RPN, FER-CNN предсказывает регионы с несколькими разрешениями карты признаков. То есть: одну карту характеристик можно уменьшить в 2, 4, 8 раз, сделайте предложение по региону, и мы выберем те регионы, где они согласуются в нескольких масштабах. Результаты по сравнению с традиционными алгоритмами поиска контуров показывают поразительную точность метода. Помимо высокой точности, они сообщили о сниженном количестве ошибок, сделанных из-за окклюзий и теней, что говорит о невероятной надежности процесса. В статье Обнаружение, классификация и граничная регуляризация зданий на спутниковых снимках с использованием сверточных нейронных сетей с более быстрой периферией подробно описаны все детали.
Хотя здания в городе - это не те же объекты, что и поля на открытом пространстве, идея упорядочения границ также может оказаться жизнеспособной для интересующей задачи. Та же самая маркировка может быть применена к полям, являющимся всего одним классом, или мы можем объединить две задачи одновременно, разграничение полей и классификацию, определяя несколько типов для областей.
Стоит отметить, что второй потребовал бы гораздо больше времени, чтобы потратить на процедуру маркировки.
Актуальные проблемы и способы их решения
Несмотря на значительный прогресс в области определения границ поля, все еще существуют проблемы, которые можно решить для повышения точности.
Во-первых, разные места могут иметь специфические особенности, затрудняющие разработку подхода «один размер подходит всем». Как один из примеров, обнаруженных в нашем исследовании, украинские месторождения намного больше, чем во многих других местах. Например, при сравнении местных полей с полями в Южной Африке разница разительна.
Одним из способов решения этой проблемы может быть обучение отдельных моделей для разных мест или просто расширение набора данных изображениями из других мест. Так или иначе, это создает другую проблему: данные с разметкой. Сбор изображений не требует больших затрат времени и ресурсов, в отличие от точной маркировки.
Сезонные изменения и тип культуры, выращиваемой на поле, иногда затрудняют выполнение задач обнаружения. Даже невооруженным глазом близко расположенные поля с выращенной пшеницей, например, могут показаться одним большим полем, несмотря на то, что они представляют собой два участка. Эта проблема может сделать решение менее масштабируемым при работе с невидимыми данными. Многочисленные комбинации составных слоев могут быть получены из спутниковых снимков, состоящих как из видимого, так и невидимого спектра. Некоторые из них могут дать важные идеи и открытия. Например, для таких задач широко используется ближний инфракрасный диапазон. Однако существует не так много литературы и отчетов о характеристиках других композитов и комбинаций.
Также была идея обнаруживать дороги и соединять их на основе графиков, как предлагалось в статье Иерархическая сегментация на основе графиков для извлечения дорожных сетей из спутниковых изображений высокого разрешения, и выводить границы полей в качестве побочного продукта. Такой подход не дал больших результатов. Мы можем найти дороги повсюду, а с полями это не то же самое. Кроме того, не все поля и их границы следуют прямолинейным схемам, как обычные дороги.
Заключение
Технологии дистанционного зондирования позволяют человечеству автоматизировать и масштабировать ранее немыслимые задачи. Актуальным является определение границы поля, которое важно для нескольких областей. В прошлом люди пытались автоматизировать это с помощью классических методов компьютерного зрения, так как сегодня вычислительные ресурсы дешевле, чем ошибки, допущенные этими алгоритмами, алгоритмы глубокого обучения здесь более успешны. Современные нейронные сети, будучи сложными системами, дают гораздо лучшие результаты по сравнению с их предшественниками.
Сценаристы и редакторы: Валентина Фихурская, Константин Исаенков.
