Datorredzes metožu efektivitātes novērtējums ēku atpazīšanai ortofotoattēlos

Abstract

Bakalaura darbā izvirzītais mērķis ir novērtēt datorredzes algoritmu U-Net, DeepLabv3+, YOLOv8n-seg, YOLOv9c-seg efektivitāti ēku atpazīšanā ortofotoattēlos un izvērtēt to praktisko lietojamību apbūves monitoringā. Algoritmu apmācībai un modeļu testēšanai izmantoti ortofotoattēlu fragmenti no Salaspils teritorijas (apmācībai) un Ogres (testēšanai), kas iegūti no Latvijas Ģeotelpiskās informācijas aģentūras 6. cikla krāsainās ortofotokartes. Modeļu efektivitāte novērtēta pikseļu līmenī, salīdzinot prognozētās maskas ar sagatavotajām un aprēķinot precizitāti (precision), ticamību (accuracy) atsaukšanu (recall), F1 rādītāju un IoU (Intersection over Union) koeficientu. Lai izvērtētu modeļu praktisko lietojamību apbūves monitoringā, analizēts prognozēto masku un Kadastra ēku poligonu pārklājums pikseļu līmenī. Pētījuma rezultāti rāda, ka U-Net un DeepLabv3+ nodrošina augstāku precizitāti un labāku praktisko lietojamību apbūves monitoringā.

The aim of this study is to evaluate the effectiveness of the computer vision algorithms U-Net, DeepLabv3+, YOLOv8n-seg, and YOLOv9c-seg in building recognition from orthophotos and to assess their practical applicability in construction monitoring. Fragments from the 6th-cycle color orthophoto map produced by the Latvian Geospatial Information Agency were used to train the algorithms using data from the Salaspils area and to test the resulting models on data from the Ogre area. Model effectiveness was assessed at the pixel-level by comparing the predicted masks with manually prepared reference masks and by calculating performance metrics, including precision, accuracy, recall, the F1 score, and the Intersection over Union (IoU) coefficient. To assess the practical applicability of the models in construction monitoring, the pixel-level overlap between the predicted masks and cadastral building polygons was analyzed. The results indicate that U-Net and DeepLabv3+ achieved higher segmentation accuracy and demonstrated greater potential for practical implementation.