Πρωτότυπος Τίτλος:
Αναγνώριση και τμηματοποίηση δέντρων από ψηφιακές εικόνες μη επανδρωμένου αεροσκάφους με τη χρήση μηχανικής μάθησης
Συγγραφέας:
Κουβαράς, Λουκάς, Παναγιώτης
Επιβλέπων καθηγητής:
Πετρόπουλος, Γιώργος
Περίληψη:
Η σημερινή τεχνολογία, εξελίσσεται με γοργούς ρυθμούς και σε συνδυασμό με τις ανάγκες που έχουν προκύψει για την άμεση ενημέρωση επί των περιβαλλοντικών συνθηκών, έχει ανοίξει δρόμους για τη δημιουργία εργαλείων τεχνητής νοημοσύνης που συμβάλουν στη γρήγορη παραγωγή αποτελεσμάτων με αρκετά αξιόπιστο τρόπο. Η παρούσα διπλωματική εργασία εστιάζει στον αυτοματοποιημένο εντοπισμό και τμηματοποίηση δέντρων από δεδομένα υψηλής χωρικής ανάλυσης μη επανδρωμένου αεροσκάφους, αξιοποιώντας αλγόριθμο μηχανικής μάθησης γραμμένο στη γλώσσα προγραμματισμού python. Ο αλγόριθμος αυτός έρχεται να αντικαταστήσει τον παραδοσιακό τρόπο οριοθέτησης αντικειμένων μιας εικόνας στο χώρο, την ψηφιοποίηση, μειώνοντας έτσι σπουδαίο χρόνο στο κομμάτι της μελέτης.
Ο αλγόριθμος αφορά μία τροποποιημένη μορφή του αλγορίθμου Detectron2 ο οποίος αποτελεί μιας τελευταίας γενιάς μοντέλο που παρέχει αλγορίθμους τελευταίας τεχνολογίας εντοπισμού και διαχωρισμού αντικειμένων πάνω σε εικόνες, βασισμένος σε στοιχεία τεχνητής νοημοσύνης. Έτσι, δεχόμενος εικόνες στις οποίες έχουν οριστεί τα αντικείμενα τα οποία περιλαμβάνουν, θέτοντας όρια πάνω στα εικονοστοιχεία τους, ο αλγόριθμος εκπαιδεύεται και στη συνέχεια έχει την ικανότητα να θέτει μόνος του τα όρια των αντικειμένων αυτών πάνω σε νέες εικόνες. Στην παρούσα διπλωματική εργασία ο αλγόριθμος εκπαιδεύτηκε στην αναγνώριση και οριοθέτηση δέντρων. Οι εικόνες που παρουσιάζουν τα δέντρα αυτά είναι μία αεροφωτογραφία λαμβανόμενη από μη επανδρωμένο αεροσκάφος και παρουσιάζει μια καλλιεργημένη έκταση με μανταρινιές που χωροθετείται στο Παλέρμο της Ιταλίας.
Το αποτέλεσμα που εξάγεται από τον αλγόριθμο είναι τα ακριβή όρια κάθε δέντρου. Για την αποτίμηση της ακρίβειας τους, τα δεδομένα αυτά συγκρίθηκαν με τη μέθοδο της ελεγχόμενης ταξινόμησης (SVM), μια πολύ διαδεδομένη μέθοδος για την εξαγωγή ορίων αντικειμένων σε εικόνες βάσει των φασματικών χαρακτηριστικών τους. Οι δύο μέθοδοι, συγκρίθηκαν με την ακριβέστερη αλλά ταυτόχρονα ιδιαίτερα χρονοβόρα μέθοδο χάραξης ορίων σε αντικείμενα, την ψηφιοποίηση. Η σύγκριση πραγματοποιείται με τον υπολογισμό των δεικτών Detected area efficiency, Skipped area rate και False area rate για κάθε μία από τις δύο μεθόδους. Τα αποτελέσματα έδειξαν, πως η μέθοδος εντοπισμού των ορίων των δέντρων βάσει του αλγορίθμου, παρουσιάζει καλύτερα αποτελέσματα τόσο στην κοινή με την ψηφιοποίηση έκταση με ποσοστό 0,959% όσο και στην παραβλεπόμενη με ποσοστό 0,041%, σε σχέση με τη μέθοδο ταξινόμησης που παρουσίασε 0,902% και 0,097% αντίστοιχα. Ωστόσο, η μέθοδος της ελεγχόμενης ταξινόμησης παρουσίασε καλύτερα αποτελέσματα στην υπολογισμένη εσφαλμένη έκταση με ποσοστό 0,035% σε σχέση με τη μέθοδο του αλγορίθμου που παρουσίασε ποσοστό 0,056%.
Έχοντας υπολογισμένα τα ακριβή όρια των δέντρων από τον αλγόριθμο στο τέλος πραγματοποιείται η εκτίμηση της υγείας της βλάστησης κάθε δέντρου. Προκειμένου να γίνει αυτό υπολογίζονται τρεις διαφορετικοί δείκτες βλάστησης (NDVI, GLI και VARI). Και οι τρεις δείκτες χαρακτήρισαν την υγεία των δέντρων ως μέτρια.
Ο αλγόριθμος αφορά μία τροποποιημένη μορφή του αλγορίθμου Detectron2 ο οποίος αποτελεί μιας τελευταίας γενιάς μοντέλο που παρέχει αλγορίθμους τελευταίας τεχνολογίας εντοπισμού και διαχωρισμού αντικειμένων πάνω σε εικόνες, βασισμένος σε στοιχεία τεχνητής νοημοσύνης. Έτσι, δεχόμενος εικόνες στις οποίες έχουν οριστεί τα αντικείμενα τα οποία περιλαμβάνουν, θέτοντας όρια πάνω στα εικονοστοιχεία τους, ο αλγόριθμος εκπαιδεύεται και στη συνέχεια έχει την ικανότητα να θέτει μόνος του τα όρια των αντικειμένων αυτών πάνω σε νέες εικόνες. Στην παρούσα διπλωματική εργασία ο αλγόριθμος εκπαιδεύτηκε στην αναγνώριση και οριοθέτηση δέντρων. Οι εικόνες που παρουσιάζουν τα δέντρα αυτά είναι μία αεροφωτογραφία λαμβανόμενη από μη επανδρωμένο αεροσκάφος και παρουσιάζει μια καλλιεργημένη έκταση με μανταρινιές που χωροθετείται στο Παλέρμο της Ιταλίας.
Το αποτέλεσμα που εξάγεται από τον αλγόριθμο είναι τα ακριβή όρια κάθε δέντρου. Για την αποτίμηση της ακρίβειας τους, τα δεδομένα αυτά συγκρίθηκαν με τη μέθοδο της ελεγχόμενης ταξινόμησης (SVM), μια πολύ διαδεδομένη μέθοδος για την εξαγωγή ορίων αντικειμένων σε εικόνες βάσει των φασματικών χαρακτηριστικών τους. Οι δύο μέθοδοι, συγκρίθηκαν με την ακριβέστερη αλλά ταυτόχρονα ιδιαίτερα χρονοβόρα μέθοδο χάραξης ορίων σε αντικείμενα, την ψηφιοποίηση. Η σύγκριση πραγματοποιείται με τον υπολογισμό των δεικτών Detected area efficiency, Skipped area rate και False area rate για κάθε μία από τις δύο μεθόδους. Τα αποτελέσματα έδειξαν, πως η μέθοδος εντοπισμού των ορίων των δέντρων βάσει του αλγορίθμου, παρουσιάζει καλύτερα αποτελέσματα τόσο στην κοινή με την ψηφιοποίηση έκταση με ποσοστό 0,959% όσο και στην παραβλεπόμενη με ποσοστό 0,041%, σε σχέση με τη μέθοδο ταξινόμησης που παρουσίασε 0,902% και 0,097% αντίστοιχα. Ωστόσο, η μέθοδος της ελεγχόμενης ταξινόμησης παρουσίασε καλύτερα αποτελέσματα στην υπολογισμένη εσφαλμένη έκταση με ποσοστό 0,035% σε σχέση με τη μέθοδο του αλγορίθμου που παρουσίασε ποσοστό 0,056%.
Έχοντας υπολογισμένα τα ακριβή όρια των δέντρων από τον αλγόριθμο στο τέλος πραγματοποιείται η εκτίμηση της υγείας της βλάστησης κάθε δέντρου. Προκειμένου να γίνει αυτό υπολογίζονται τρεις διαφορετικοί δείκτες βλάστησης (NDVI, GLI και VARI). Και οι τρεις δείκτες χαρακτήρισαν την υγεία των δέντρων ως μέτρια.
Ημερομηνία κατάθεσης:
2023-04-28
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Γεωγραφία (Γενικά)
Λοιπά Θέματα:
Γεωπληροφορική
Λέξεις-κλειδιά:
Μηχανική Μάθηση, Τεχνητή Νοημοσύνη, τηλεπισκόπηση
Περιγραφή:
58 σ.,εικ.,πίν.,διαγρ.,χάρτες,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
