Краснодар, Краснодарский край, Россия
УДК 004.94 Компьютерное моделирование
ГРНТИ 36.01 Общие вопросы геодезии и картографии
Представлены результаты исследования по выбору оптимальной нейронной сети для идентификации угодий на землях сельскохозяйственного назначения на примере виноградных насаждений в целях актуализации ведения государственного реестра земель сельскохозяйственного назначения. Основная задача идентификации угодий — выявить расхождения между информацией федерального реестра виноградных насаждений об использовании земельных участков и их фактическим состоянием. Для проведения экспериментов были выбраны нейросети YOLOv5, YOLOv8, Mask R-CNN, чаще всего применяемые для распознавания объектов на изображениях. Нейросети предлагают передовые методы анализа изображений, применимые для автоматизированной идентификации виноградных насаждений на землях сельскохозяйственных угодий. Эффективность их работы по задаче детекции определена с помощью вычисления метрик Precision, Recall и mAP на валидационном наборе данных. В исследовании представлены результаты сравнения моделей YOLOv5, YOLOv8, Mask R-CNN, по которым можно отследить эффективность их работы. Сравнение моделей показало, что для набора изображений земельных участков с угодьями на примере виноградных насаждений модель YOLOv5 предпочтительнее в отношении задач, требующих постепенного улучшения с увеличением числа эпох, в то время как Mask R-CNN обеспечивает стабильные высокие результаты даже при небольшом количестве эпох. YOLOv8 существенно отстает по всем показателям, особенно на ранних этапах, и демонстрирует самую низкую производительность
земли сельскохозяйственного назначения, идентификация угодий, виноградные насаждения, ИНС, детекция изображений, искусственный интеллект, Mask R-CNN, YOLOv8, YOLOv5, метрики, mAP, Precision, Recall
1. Кузнецов П.Н., Котельников Д.Ю. Автоматизированный технологический комплекс мониторинга и диагностики виноградников // Вестник аграрной науки Дона. 2021. Т. 4. № 56. С. 16–23.
2. Студенкова Н.А., Добротворская Н.И. Современные проблемы инвентаризации и кадастрового учета земель сельскохозяйственного назначения // Сборник материалов XVII Международного научного конгресса «Интерэкспо ГЕОСибирь»: в 8 т. Новосибирск: СГУГиТ, 2021. Т. 3. № 2. С. 198–204. DOIhttps://doi.org/10.33764/2618-981X-2021-3-2-198-204.
3. Кузнецов П.Н., Котельников Д.Ю., Воронин Д.Ю. Нейросетевое автоматизированное детектирование признаков ухудшения состояния виноградных насаждений // Проблемы научной мысли. 2023. Т. 2. № 8. С. 48–55.
4. Кузнецов П.Н., Котельников Д.Ю., Воронин Д.Ю. Технология автоматизированного мониторинга состояния виноградника // Аграрная наука. 2023. № 3. С. 109–116. DOIhttps://doi.org/10.32634/0869-8155-2023-368-3-109-116.
5. Wang T., Gan V.J. Automated joint 3D reconstruction and visual inspection for buildings using computer vision and transfer learning // Automation in Construction. 2023. Vol. 149. 104810. DOIhttps://doi.org/10.1016/j.autcon.2023.104810.
6. Гура Д.А., Марковский И.Г., Пшидаток С.К. Методика мониторинга объектов недвижимости с помощью трехмерного лазерного сканирования в специфике городских земель // Геодезия и картография. 2021. Т. 82. № 4. С. 45–53. DOIhttps://doi.org/10.22389/0016-7126-2021-970-4-45-53.
7. Dhanya V.G., Subeesh A., Kushwaha N.L., et al. Deep learning based computer vision approaches for smart agricultural applications // Artificial Intelligence in Agriculture. 2022. Vol. 6. P. 211–229. DOIhttps://doi.org/10.1016/j.aiia.2022.09.007.
8. Дьяченко Р.А., Довгаль В.В., Гура Д.А. К вопросу сравнения эффективностинейронных сетей YOLOv8 и U-Net в задачах сегментации территориальных объектов // Информационные технологии. 2024. Т. 30. № 9. С. 480–485. DOIhttps://doi.org/10.17587/it.30.480-485.
9. Антюфеев В.В., Рябов В.А. Опыт агроклиматологического обоснования проектов плодовых насаждений в Северном Причерноморье в эпоху глобального потепления // Известия Оренбургского государственного аграрного университета. 2017. Т. 4. № 66. С. 252–256.
10. Филонова М.А., Хорошко М.Б. Применение средств машинного зрения в виноградных хозяйствах: подготовка данных и обучение модели // Управление большими системами: сборник научных трудов XIX Всероссийской школыконференции молодых ученых (Воронеж, 5–8 сентября 2023 г.). Воронеж: ВГТУ, 2023. С. 417–424.
11. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks // Proceedings of the 25th International Conference on Neural Information Processing Systems (Lake Tahoe, Nevada, Dec. 2012). 2012. Vol. 1. P. 1097–1105.
12. Wang, C.Y., Bochkovskiy A., Liao H.Y.M. CSPNet: A new backbone that can enhance learning capability of CNN // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Seattle, WA, USA, 2020. P. 1571–1580. DOIhttps://doi.org/10.1109/CVPRW50498.2020.00203.
13. Liu S., Qi L., Qin H., et al. Path Aggregation Network for Instance Segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City, UT, USA, 2018. P. 8759–8768. DOIhttps://doi.org/10.1109/CVPR.2018.00913.
14. Ren S., He K., Girshick R., et al. Faster R-CNN: Towards Real-Time Object Detection withRegion Proposal Networks // Proceedings of the IEEE Transactions on Pattern Analysis and Machine Intelligence (June 1, 2017). 2017. Vol. 39. No. 6. P. 1137–1149. DOI:10.1109/ TPAMI.2016.2577031.
15. Girshick R. Fast R-CNN // Proceedings of the 2015 IEEE International Conference on Computer Vision (ICCV). Santiago, Chile, 2015. P. 1440–1448. DOIhttps://doi.org/10.1109/ICCV.2015.169.
16. He K., Gkioxari G., Dollár P., et al. Mask R-CNN // Proceedings of the IEEE InternationalConference on Computer Vision (ICCV). Venice, Italy, 2017. P. 2980–2988. DOIhttps://doi.org/10.1109/ICCV.2017.322.
17. Paletta Q., Terrén-Serrano G., Nie Y., et al. Advances in solar forecasting: Computer vision with deep learning // Advances in Applied Energy. 2023. Vol. 11. 100150. DOIhttps://doi.org/10.1016/j.adapen.2023.100150.
18. Talaat F.M., ZainEldin H. An improved fire detection approach based on YOLO-v8 for smart cities // Neural Comput & Applic. 2023. Vol. 35. P. 20939–20954.DOIhttps://doi.org/10.1007/s00521-023-08809-1.
19. Липилин Д.А., Евтушенко Д.Д. Оценка качества городской среды с применением геоинформационных систем на примере микрорайонов города Краснодара // Геология и геофизика Юга России. 2022. Т. 12. № 3. С. 195–210. DOIhttps://doi.org/10.46698/VNC.2022.72.93.013.
20. Pogorelov A.V., Laguta A.A., Netrebin P.B., et al. Analysis of the bottom topography of the reservoir due to sediment trapping (according to the Krasnodar reservoir, Russia) // Geography, Environment, Sustainability. 2023. Vol. 16. No. 3. P. 102–112.
21. Chengjun Chen, Chunlin Zhang, Jinlei Wang, et al. Semantic segmentation of mechanical assembly using selective kernel convolution UNet with fully connected conditional random field // Measurement. 2023. Vol. 209. 112499. DOIhttps://doi.org/10.1016/j.measurement.2023.112499.
