Розпізнавання ушкодженого лісу за допомогою згорткових моделей при дистанційному зондуванні
dc.citation.epage | 7 | |
dc.citation.issue | 1 | |
dc.citation.journalTitle | Український журнал інформаційних технологій | |
dc.citation.spage | 1 | |
dc.citation.volume | 3 | |
dc.contributor.affiliation | Фізико-механічний інститут ім. Г. В. Карпенка НАН України | |
dc.contributor.affiliation | Karpenko Physico-mechanical Institute of the NAS of Ukraine | |
dc.contributor.author | Русин, Б. П. | |
dc.contributor.author | Луцик, О. А. | |
dc.contributor.author | Косаревич, Р. Я. | |
dc.contributor.author | Обух, Ю. В. | |
dc.contributor.author | Rusyn, B. P. | |
dc.contributor.author | Lutsyk, O. A. | |
dc.contributor.author | Kosarevych, R. Ya. | |
dc.contributor.author | Obukh, Yu. V. | |
dc.coverage.placename | Львів | |
dc.coverage.placename | Lviv | |
dc.date.accessioned | 2023-03-23T10:26:59Z | |
dc.date.available | 2023-03-23T10:26:59Z | |
dc.date.created | 2021-10-10 | |
dc.date.issued | 2021-10-10 | |
dc.description.abstract | Детально розглянуто проблему всихання лісів, яка останніми рокамии набула неконтрольованого характеру. Проаналізовано основні причини пошкодження лісу, серед яких найвідоміші – зміна клімату, хвороби та шкідники. Наведено втрати лісового господарства внаслідок захворювань дерев, масштабних та поширених і в інших країнах. Вирішити ці проблеми можливо за умови якісного моніторингу із залученням засобів автоматизованого дистанційного зондування та сучасних методів аналізу зображень, зокрема й підходів штучного інтелекту, таких як нейронні мережі та глибинне навчання. Запропоновано підхід до автоматичної локалізації та розпізнавання дерев, уражених всиханням, що має велике практичне значення для екологічного моніторингу та лісництва. Для розпізнавання та локалізації ушкодженого лісу розроблено згорткову модель глибинного навчання із використанням бібліотек tensorflow та keras. Ця модель складається із мережі детектора та окремої мережі класифікатора. Для навчання та перевірки запропонованої мережі на підставі зображень, отриманих засобами дистанційного зондування, створено навчальну базу даних, яка містить 8500 зображень. Здійснено порівняння запропонованої моделі з наявними методами на підставі таких характеристик, як точність та швидкодія. Оцінено точність та швидкодію запропонованої системи розпізнавання на валідаційній вибірці зображень, розмір якої становить 1700 зображень. Здійснено оптимізацію моделі для практичного використання з CPU та GPU за рахунок псевдоквантування під час навчання. Це допомагає розподілити значення ваг під час навчання і наблизити їх вигляд до рівномірного закону розподілу, що дає змогу ефективніше застосовувати квантування до вихідної моделі. Також встановлено середню тривалість роботи алгоритму. В середовищі Visual C++ на підставі запропонованої моделі створено експертну програму, яка дає змогу здійснювати екологічний моніторинг та аналіз сухих лісів у польових умовах у режимі реального часу. Під час розроблення програмного забезпечення використано такі бібліотеки, як OpenCV та Direct, код підтримує стандарти об’єктно-орієнтованого програмування. Результати роботи та запропоноване програмне забезпечення можуть бути використані в системах дистанційного моніторингу і класифікації для екологічного моніторингу та для вирішення прикладних завдань лісівництва. | |
dc.description.abstract | The article provides a detailed review of the problem of deforestation, which in recent years has become uncontrolled. The main causes of forest damage are analyzed, among which the most well-known are climate change, diseases and pests. The losses of forestry as a result of tree diseases, which are large-scale and widespread in other countries, are given. The solution of these problems is possible under the condition of high-quality monitoring with the involvement of automated remote sensing tools and modern methods of image analysis, including artificial intelligence approaches such as neural networks and deep learning. The article proposes an approach to automatic localization and recognition of trees affected by drought, which is of great practical importance for environmental monitoring and forestry. A fully connected convolutional model of deep learning using the tensorflow and keras libraries has been developed for localization and recognition. This model consists of a detector network and a separate classifier network. To train and test the proposed network based on images obtained by remote sensing, a training database containing 8500 images was created. A comparison of the proposed model with the existing methods is based on such characteristics as accuracy and speed. The accuracy and speed of the proposed recognition system were evaluated on a validation sample of images, consisting of 1700 images. The model has been optimized for practical use with CPU and GPU due to pseudo quantization during training. This helps to distribute the values of the weights in the learning process and bring their appearance closer to a uniform distribution law, which in turn allows more efficient application of quantization to the original model. The average operating time of the algorithm is also determined. In the Visual C++ environment, based on the proposed model, an expert program has been created that allows to perform the ecological monitoring and analysis of dry forests in the field in real time. Libraries such as OpenCV and Direct were used in software development, and the code supports object-oriented programming standards. The results of the work and the developed software can be used in remote monitoring and classification systems for environmental monitoring and in applied tasks of forestry | |
dc.format.extent | 1-7 | |
dc.format.pages | 7 | |
dc.identifier.citation | Розпізнавання ушкодженого лісу за допомогою згорткових моделей при дистанційному зондуванні / Б. П. Русин, О. А. Луцик, Р. Я. Косаревич, Ю. В. Обух // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2021. — Том 3. — № 1. — С. 1–7. | |
dc.identifier.citationen | Rusyn B. P., Lutsyk O. A., Kosarevych R. Ya., Obukh Yu. V. (2021) Rozpiznavannia ushkodzhenoho lisu za dopomohoiu zghortkovykh modelei pry dystantsiinomu zonduvanni [Recognition of damaged forest with the help of convolutional models in remote sensing]. Ukrainian Journal of Information Technology (Lviv), vol. 3, no 1, pp. 1-7 [in Ukrainian]. | |
dc.identifier.doi | https://doi.org/10.23939/ujit2021.03.001 | |
dc.identifier.uri | https://ena.lpnu.ua/handle/ntb/57761 | |
dc.language.iso | uk | |
dc.publisher | Видавництво Львівської політехніки | |
dc.publisher | Lviv Politechnic Publishing House | |
dc.relation.ispartof | Український журнал інформаційних технологій, 1 (3), 2021 | |
dc.relation.ispartof | Ukrainian Journal of Information Technology, 1 (3), 2021 | |
dc.relation.references | [1] Linnakoski, R., Kasanen, R., Dounavi, A., & Forbes, M. (2019). Forest Health Under Climate Change: Effects on Tree Resilience, and Pest and Pathogen Dynamics. Frontiers in plant science, 3, 83–98. https://doi.org/10.3389/fpls.2019.01157 | |
dc.relation.references | [2] Dukes, J., Pontius, J., Orwig, D., Garnas, J., Rodgers, V., Brazee, N., & Cooke, B. (2009). Responses of insect pests, pathogens, and invasive plant species to climate change in the forests of northeastern North America: What can we predict? Canadian Journal of Forest Research, 39(2), 231–248. https://doi.org/10.1139/X08-171 | |
dc.relation.references | [3] Sturrock, R., Frankel, S., Brown, A., Hennon, P., Kliejunas, J., Lewis, K., Worrall, J., & Woods, A. (2011). Climate change and forest diseases. Plant Pathology, 60(1), 133–149. https://doi.org/10.1111/j.1365-3059.2010.02406.x | |
dc.relation.references | [4] Lechner, A., Foody, G., & Boyd, D. (2020). Applications in Remote Sensing to Forest Ecology and Management. One Earth, 2(5), 405–412. https://doi.org/10.1016/j.oneear.2020.05.001 | |
dc.relation.references | [5] Halder1, M., Sarkar, A., & Bahar, H. (2019). Plant disease detection by image processing: A Literature review. Journal of Food Science & Technology 3(6), 534–538. https://doi.org/10.25177/JFST.3.6.6 | |
dc.relation.references | [6] Arya, M., Anjali, K., & Unni, D. (2018). Detection of unhealthy plant leaves using image processing and genetic algorithm with Arduino. International Conference on Power, Signals, Control and Computation, 218–236. https://doi.org/10.1109/EPSCICON.2018.8379584 | |
dc.relation.references | [7] Mehra, T., Kumar, V., & Gupta, P. (2016). Maturity and disease detection in tomato using computer vision. Fourth International Conference on Parallel, Distributed and Grid Computing, 68–72. https://doi.org/10.1109/PDGC.2016.7913228 | |
dc.relation.references | [8] Rusyn, B., Lutsyk, O., Kosarevych, R., & Korniy, V. (2018). Segmentation of atmospheric clouds images obtained by remote sensing. 14th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering, TCSET 2018, 213–216. https://doi.org/10.1109/TCSET.2018.8336189 | |
dc.relation.references | [9] Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. (2019). Inverted Residuals and Linear Bottlenecks: Mobile Networks for ClassiHcation, Detection and Segmentation. The IEEE Conference on Computer Vision and Pattern Recognition, Jan. 13, 4510–4520. | |
dc.relation.references | [10] Chng, C., & Chan, C. (2017). A comprehensive dataset for scene text detection and recognition. In Document Analysis and Recognition. 14th IAPR International Conference, 1, 935–942. https://doi.org/10.1109/ICDAR.2017.157 | |
dc.relation.referencesen | [1] Linnakoski, R., Kasanen, R., Dounavi, A., & Forbes, M. (2019). Forest Health Under Climate Change: Effects on Tree Resilience, and Pest and Pathogen Dynamics. Frontiers in plant science, 3, 83–98. https://doi.org/10.3389/fpls.2019.01157 | |
dc.relation.referencesen | [2] Dukes, J., Pontius, J., Orwig, D., Garnas, J., Rodgers, V., Brazee, N., & Cooke, B. (2009). Responses of insect pests, pathogens, and invasive plant species to climate change in the forests of northeastern North America: What can we predict? Canadian Journal of Forest Research, 39(2), 231–248. https://doi.org/10.1139/X08-171 | |
dc.relation.referencesen | [3] Sturrock, R., Frankel, S., Brown, A., Hennon, P., Kliejunas, J., Lewis, K., Worrall, J., & Woods, A. (2011). Climate change and forest diseases. Plant Pathology, 60(1), 133–149. https://doi.org/10.1111/j.1365-3059.2010.02406.x | |
dc.relation.referencesen | [4] Lechner, A., Foody, G., & Boyd, D. (2020). Applications in Remote Sensing to Forest Ecology and Management. One Earth, 2(5), 405–412. https://doi.org/10.1016/j.oneear.2020.05.001 | |
dc.relation.referencesen | [5] Halder1, M., Sarkar, A., & Bahar, H. (2019). Plant disease detection by image processing: A Literature review. Journal of Food Science & Technology 3(6), 534–538. https://doi.org/10.25177/JFST.3.6.6 | |
dc.relation.referencesen | [6] Arya, M., Anjali, K., & Unni, D. (2018). Detection of unhealthy plant leaves using image processing and genetic algorithm with Arduino. International Conference on Power, Signals, Control and Computation, 218–236. https://doi.org/10.1109/EPSCICON.2018.8379584 | |
dc.relation.referencesen | [7] Mehra, T., Kumar, V., & Gupta, P. (2016). Maturity and disease detection in tomato using computer vision. Fourth International Conference on Parallel, Distributed and Grid Computing, 68–72. https://doi.org/10.1109/PDGC.2016.7913228 | |
dc.relation.referencesen | [8] Rusyn, B., Lutsyk, O., Kosarevych, R., & Korniy, V. (2018). Segmentation of atmospheric clouds images obtained by remote sensing. 14th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering, TCSET 2018, 213–216. https://doi.org/10.1109/TCSET.2018.8336189 | |
dc.relation.referencesen | [9] Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. (2019). Inverted Residuals and Linear Bottlenecks: Mobile Networks for ClassiHcation, Detection and Segmentation. The IEEE Conference on Computer Vision and Pattern Recognition, Jan. 13, 4510–4520. | |
dc.relation.referencesen | [10] Chng, C., & Chan, C. (2017). A comprehensive dataset for scene text detection and recognition. In Document Analysis and Recognition. 14th IAPR International Conference, 1, 935–942. https://doi.org/10.1109/ICDAR.2017.157 | |
dc.relation.uri | https://doi.org/10.3389/fpls.2019.01157 | |
dc.relation.uri | https://doi.org/10.1139/X08-171 | |
dc.relation.uri | https://doi.org/10.1111/j.1365-3059.2010.02406.x | |
dc.relation.uri | https://doi.org/10.1016/j.oneear.2020.05.001 | |
dc.relation.uri | https://doi.org/10.25177/JFST.3.6.6 | |
dc.relation.uri | https://doi.org/10.1109/EPSCICON.2018.8379584 | |
dc.relation.uri | https://doi.org/10.1109/PDGC.2016.7913228 | |
dc.relation.uri | https://doi.org/10.1109/TCSET.2018.8336189 | |
dc.relation.uri | https://doi.org/10.1109/ICDAR.2017.157 | |
dc.rights.holder | © Національний університет „Львівська політехніка“, 2021 | |
dc.subject | зміна клімату | |
dc.subject | всихання дерев | |
dc.subject | дистанційне зондування | |
dc.subject | глибоке навчання | |
dc.subject | оброблення зображень | |
dc.subject | climate change | |
dc.subject | drying of trees | |
dc.subject | remote sensing | |
dc.subject | deep learning | |
dc.subject | image processing | |
dc.subject.udc | 004.891 | |
dc.title | Розпізнавання ушкодженого лісу за допомогою згорткових моделей при дистанційному зондуванні | |
dc.title.alternative | Recognition of damaged forest with the help of convolutional models in remote sensing | |
dc.type | Article |