Konvolūcijas neironu tīklu izmantošana lauksaimniecības zemēs augošu koku detektēšanai

Abstract

Mašīnmācīšanās metodes ir mūsdienīgs risinājums dažādu problēmu automatizētai risināšanai. Šī bakalaura darba mērķis ir iepazīties ar mašīnmācīšanās metožu pielietojumu ģeogrāfisku problēmu risināšanai, primāri izmantojot konvolūcijas neironu tīklus (CNN), kuri aizvien plašāk tiek izmantoti objektu atpazīšanai attēlos. Šajā darbā aplūkotas metodes, problēmas un dažādi risinājumi, veiksmīgai konvolūcijas neironu tīklu izmantošanai tālizpētes materiālu automatizētai analīzes veikšanai. Darbā izmantoti plaši atzītie LeNet-5 un ResNet50 konvolūcijas neironu tīkli, kā arī vienkāršāks konvolūcijas tīkls un mākslīgais neironu tīkls (NN) bez konvolūcijas. Rezultātu salīdzināšanai izmantots arī tradicionāls mašīnmācīšanās paņēmiens – maksimālās varbūtības klasifikators (MLC). Bakalaura darbā izmantoti divu veidu tālizpētes materiāli – Sentinel 2 un Ortofoto dati. Konvolūcijas neironu tīkla rezultāti, izmantojot Sentinel 2 datus saniedza 91% kopējo pareizību, bet izmantojot neironu tīklu bez konvolūcijas un maksimālās varbūtības klasifikatoru attiecīgi 89% un 66%. Augstākas precizitātes tālizpētes materiālam – ortofoto datiem, tika izmantoti sarežģītāki konvolūcijas neironu tīkli – ResNet50 un LeNet-5, kā arī maksimālās varbūtibas klasifikators. ResNet50 rezultātu kopējā pareizība iegūta vien 66%, tāpēc darbā akcentēti iegūto rezultātu uzlabošanas mēģinājumi un testi.

Machine learning is a modern technique for solving various problems automatically. The purpose of this bachelors work is to learn about machine learning applications for geographic problems, primarily through the use of convolutional neural networks (CNN), which are primarily used for object detection in images. This bachelors work considers various methods, problems and solutions for succesful use of convolutional neural networks for anaylsis in remote sensing images. Widely used convolutional neural networks - LeNet-5 and ResNet50, as well as a much simplified convolutional neural network and a neural network without convolution were used. To compare the results of neural networks versus traditional machine learning, a traditional machine learning algorithm – maximum liklehood classification (MLC) was also used. In this bachelors work two different types of remote sensing images were used – Sentinel 2 and Orthophoto. Convolutional neural network overall accuracy on Sentinel 2 reached 91%, while a neural network without convolution and MLC reached 89% and 66%, respectively. For higher resolution remote sensing data – orthophoto, more complicated convolutional networks – ResNet50 and LeNet-5 were used, as well as MLC. ResNet50 overall accuracy on orthophoto data was only 66%, which is why this work highlights the attempted improvements and testing.