Порівняння моделей глибокого навчання для виявлення хворих дерев за допомогою алгоритму стиснення зображень
DOI:
https://doi.org/10.15587/1729-4061.2024.314148Ключові слова:
модель YOLO, стиснення зображення, комп’ютерний зір, управління лісами, глибоке навчанняАнотація
Об'єктом дослідження є застосування алгоритмів глибокого навчання з використанням удосконаленого математичного методу стиснення зображень без втрат для розпізнавання та ідентифікації загиблих дерев на аерокосмічних знімках.
Основною проблемою, яка була вирішена, є архівування зображень через їх великий об'єм на диску та можливість їх подальшої обробки методами глибокого навчання, такими як згорткові та капсульні нейронні мережі, які показали високу ефективність та точність у завданнях розпізнавання та класифікації зображень за допомогою запропонованого нового методу стиснення зображень.
У статті представлений порівняльний аналіз продуктивності трьох моделей YOLO (Ви дивитеся лише раз) з різними типами архітектур, таких як YOLOv5, YOLOv7 і YOLOv8, для оцінки ефективності їх роботи в завданні розпізнавання аерокосмічних зображень дерев, отриманих із супутників, безпілотних літальних апаратів і літаків.
Всебічний аналіз моделей YOLO показав, що модель YOLO v8 виявилася найбільш ефективною з позитивною точністю 88,2 %, чуйністю 77,4 % і оцінкою mAP50 в 87,2 %. Більше того, середній час виявлення становив лише 0,052 секунди для кожного зображення, незважаючи на те, що розмір моделі залишається дуже малим – 21,5 МБ. Ці результати свідчать про набагато краще використання часу та точну ідентифікацію мертвих дерев, а також про високу ефективність класифікації цілей.
Результати дослідження свідчать про значні перспективи глобального управління лісами, особливо в області скорочення лісів і захисту екосистем, завдяки точній оцінці стану лісового господарства. Запропонований підхід є універсальним і може бути використаний в реальних умовах, забезпечуючи оптимальне співвідношення швидкості, точності і ресурсів, необхідних для моніторингу лісів і управління ними
Посилання
- Kumar, S., Chaudhuri, S., Banerjee, B., Ali, F. (2019). Onboard Hyperspectral Image Compression Using Compressed Sensing and Deep Learning. Computer Vision – ECCV 2018 Workshops, 30–42. https://doi.org/10.1007/978-3-030-11012-3_3
- Wenbin, W., Wu, Y., Li, J. (2018). The Hyper-spectral Image Compression Based on K-Means Clustering and Parallel Prediction Algorithm*. MATEC Web of Conferences, 173, 03071. https://doi.org/10.1051/matecconf/201817303071
- Samah, N. A. A., Noor, N. R. M., Bakar, E. A., Desa, M. K. M. (2020). CCSDS-MHC on Raspberry Pi for Lossless Hyperspectral Image Compression. IOP Conference Series: Materials Science and Engineering, 943 (1), 012004. https://doi.org/10.1088/1757-899x/943/1/012004
- Sarinova, A., Zamyatin, A. (2020). Hyperspectral regression lossless compression algorithm of aerospace images. E3S Web of Conferences, 149, 02003. https://doi.org/10.1051/e3sconf/202014902003
- Xue, J., Zhao, Y., Liao, W., Chan, J. C.-W. (2019). Nonlocal Tensor Sparse Representation and Low-Rank Regularization for Hyperspectral Image Compressive Sensing Reconstruction. Remote Sensing, 11 (2), 193. https://doi.org/10.3390/rs11020193
- Fu, W., Li, S., Fang, L., Benediktsson, J. A. (2017). Adaptive Spectral–Spatial Compression of Hyperspectral Image With Sparse Representation. IEEE Transactions on Geoscience and Remote Sensing, 55 (2), 671–682. https://doi.org/10.1109/tgrs.2016.2613848
- Lee, S., Lee, E., Choi, H., Lee, C. (2005). Compression of hyperspectral images with 2D wavelet transform using adjacent information and SPIHT algorithm. Proceedings. 2005 IEEE International Geoscience and Remote Sensing Symposium, 2005. IGARSS ’05., 1, 117–119. https://doi.org/10.1109/igarss.2005.1526118
- Cheng, K.-J., Dill, J. C. (2014). An Improved EZW Hyperspectral Image Compression. Journal of Computer and Communications, 02 (02), 31–36. https://doi.org/10.4236/jcc.2014.22006
- Shen, H., Pan, W. D., Wu, D. (2017). Predictive Lossless Compression of Regions of Interest in Hyperspectral Images With No-Data Regions. IEEE Transactions on Geoscience and Remote Sensing, 55 (1), 173–182. https://doi.org/10.1109/tgrs.2016.2603527
- Kefalas, N., Theodoridis, G. (2019). Low-memory and high-performance architectures for the CCSDS 122.0-B-1 compression standard. Integration, 69, 85–97. https://doi.org/10.1016/j.vlsi.2018.03.004
- Davidson, R. L., Bridges, C. P. (2017). GPU accelerated multispectral EO imagery optimised CCSDS-123 lossless compression implementation. 2017 IEEE Aerospace Conference, 1–12. https://doi.org/10.1109/aero.2017.7943817
- Ruiz, L., Torres, M., Gómez, A., Díaz, S., González, J. M., Cavas, F. (2020). Detection and Classification of Aircraft Fixation Elements during Manufacturing Processes Using a Convolutional Neural Network. Applied Sciences, 10 (19), 6856. https://doi.org/10.3390/app10196856
- Belwalkar, A., Nath, A., Dikshit, O. (2018). Spectral-spatial classification of hyperspectral remote sensing images using variational autoencoder and convolution neural network. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII–5, 613–620. https://doi.org/10.5194/isprs-archives-xlii-5-613-2018
- Maggiori, E., Plaza, A., Tarabalka, Y. (2017). Models for Hyperspectral Image Analysis: From Unmixing to Object-Based Classification. Mathematical Models for Remote Sensing Image Processing, 37–80. https://doi.org/10.1007/978-3-319-66330-2_2
- Pouyanfar, S., Sadiq, S., Yan, Y., Tian, H., Tao, Y., Reyes, M. P. et al. (2018). A Survey on Deep Learning. ACM Computing Surveys, 51 (5), 1–36. https://doi.org/10.1145/3234150
- Wang, Z., Zhou, Y., Li, G. (2019). Anomaly detection for machinery by using Big Data Real-Time processing and clustering technique. Proceedings of the 2019 3rd International Conference on Big Data Research, 5, 30–36. https://doi.org/10.1145/3372454.3372480
- Du, H., Zhang, W., Guan, N., Yi, W. (2019). Scope-aware data cache analysis for OpenMP programs on multi-core processors. Journal of Systems Architecture, 98, 443–452. https://doi.org/10.1016/j.sysarc.2019.04.001
- Balakrishnan, S., Langerman, D., Gretok, E., George, A. D. (2018). Deep Learning for Hyperspectral Image Classification on Embedded Platforms. 2018 IEEE International Conference on Image Processing, Applications and Systems (IPAS), 12, 187–191. https://doi.org/10.1109/ipas.2018.8708899
- Ball, J. E., Wei, P. (2018). Deep Learning Hyperspectral Image Classification using Multiple Class-Based Denoising Autoencoders, Mixed Pixel Training Augmentation, and Morphological Operations. IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, 740, 6903–6906. https://doi.org/10.1109/igarss.2018.8519368
- Abramov, N., Ardentov, A., Emeljanova, Ju., Talalaev, A., Fralenko, V., Shishkin, O. (2015). The architecture of the system for spacecraft state monitoring and forecasting. Program Systems: Theory and Applications, 6 (2), 85–99. https://doi.org/10.25209/2079-3316-2015-6-2-85-99
- Ghamisi, P., Yokoya, N., Li, J., Liao, W., Liu, S., Plaza, J. et al. (2017). Advances in Hyperspectral Image and Signal Processing: A Comprehensive Overview of the State of the Art. IEEE Geoscience and Remote Sensing Magazine, 5 (4), 37–78. https://doi.org/10.1109/mgrs.2017.2762087
- Lu, B., Dao, P., Liu, J., He, Y., Shang, J. (2020). Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture. Remote Sensing, 12 (16), 2659. https://doi.org/10.3390/rs12162659
- Sarinova, A., Rzayeva, L., Tendikov, N., Shayea, I. (2023). Simple Implementation of Terrain Classification Models via Fully Convolutional Neural Networks. 2023 10th International Conference on Wireless Networks and Mobile Communications (WINCOM), 10, 1–6. https://doi.org/10.1109/wincom59760.2023.10323012
- Sarinova, A., Dunayev, P., Bekbayeva, A., Mekhtiyev, A., Sarsikeyev, Y. (2022). Development of compression algorithms for hyperspectral aerospace images based on discrete orthogonal transformations. Eastern-European Journal of Enterprise Technologies, 1 (2 (115)), 22–30. https://doi.org/10.15587/1729-4061.2022.251404
- Sarinova, A., Neftissov, A., Rzayeva, L., Yessenov, A., Kirichenko, L., Kazambayev, I. (2024). Development of an algorithm for compressing aerospace images for the subsequent recognition and identification of various objects. Eastern-European Journal of Enterprise Technologies, 3 (2 (129)), 83–94. https://doi.org/10.15587/1729-4061.2024.306973
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Assiya Sarinova, Leila Rzayeva, Gulnara Abitova, Alimzhan Yessenov, Ansar Sansyzbayev, Yerassyl Omirtay
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
