Метод гауссова обучения нейронной сети для решения задачи распознавания многоспектральных спутниковых изображений

Рассмотрено различие в использовании методов компьютерного зрения по Гауссу и машинного обучения, применяемых для обработки многоспектральных спутниковых снимков при обнаружении и распознавании объектов исследования --- банановых плантаций в районе Эль-Порвенир на побережье Эквадора. С учетом методов компьютерного зрения, машинного обучения, обработки многоспектральных спутниковых изображений и косвенных данных растров после расчета индексов вегетации NDVI и NDWI выполнена классификация растительности и водных объектов. Проведение анализа данных многоспектральных спутниковых изображений осложняет наличие облачности и растров. Метод машинного обучения при маркировке данных с валидацией по показателям вегетации применяется при сегментации классов, не участвующих в анализе компьютерного зрения при обнаружении и распознавании объекта исследования. Вероятность приведенных положительных экспериментальных результатов составляет ~ 96 %. Предлагаемые методы обнаружения и распознавания объектов на многоспектральных спутниковых изображениях могут быть внедрены в сельскохозяйственные системы для улучшения, анализа и оценки потребностей в сельскохозяйственных культурах, являющихся частью сельского хозяйства как первичного сектора экономики, для удовлетворения потребностей производства продуктов питания и сырьевых материалов. Таким образом, в условиях повышенного спроса на сельскохозяйственную продукцию необходимо внедрение технологий, гарантирующих качество и высокую производительность сельскохозяйственной техники

Литература

[1] Lindeberg T. Scale selection properties of generalized scale-space interest point detectors. J. Math. Imaging Vis., 2013, vol. 46, no. 2, pp. 177--210. DOI: https://doi.org/10.1007/s10851-012-0378-3

[2] Lindeberg T. Feature detection with automatic scale selection. Int. J. Comput. Vis., 1998, vol. 30, no. 2, pp. 77--116. DOI: https://doi.org/10.1023/A:1008045108935

[3] Смирнов К.А., Волков В.А. Автоматизированный метод обнаружения арктических айсбергов на спутниковых снимках. 14 Всерос. открытая конф. "Современные проблемы дистанционного зондирования Земли из космоса". М., ИКИ РАН, 2016, с. 50.

[4] Marr D., Hildreth E. Theory of edge detection. Proc. Royal Soc. Lond., 1980, vol. 207, no. 1167, pp. 187--217. DOI: https://doi.org/10.1098/rspb.1980.0020

[5] Lindeberg T. Detecting salient blob-like image structures and their scales with a scale-space primal sketch: a method for focus-of-attention. Int. J. Comput. Vis., 1993, vol. 11, no. 3, pp. 283--318. DOI: https://doi.org/10.1007/BF01469346

[6] Olsen O.F. Multi-scale watershed segmentation. In: Gaussian scale-space theory. New York, Springer, 1997, pp. 191--200.

[7] Lindeberg T. On scale selection for differential operators. Proc. 8th SCIA, 1993, pp. 857--866.

[8] Lindeberg T. Edge detection and ridge detection with automatic scale selection. Int. J. Comput. Vis., 1998, vol. 30, no. 2, pp. 117--154. DOI: https://doi.org/10.1023/A:1008097225773

[9] Lindeberg T., Garding J. Shape from texture from a multi-scale perspective. Proc. ICCV, 1993, pp. 683--691. DOI: https://doi.org/10.1109/ICCV.1993.378146

[10] Swain M., Ballard D. Color indexing. Int. J. Comput. Vis., 1991, vol. 7, no. 1, pp. 11--32. DOI: https://doi.org/10.1007/BF00130487

[11] Lowe D. Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vis., 2004, vol. 60, no. 2, pp. 91--110. DOI: https://doi.org/10.1023/B:VISI.0000029664.99615.94

[12] Slater D., Healey G. Combining colour and geometric information for illumination invariant recognition of 3D objects. Proc. ICCV, 1995, pp. 563--568. DOI: https://doi.org/10.1109/ICCV.1995.466889

[13] Gevers T., Smeulders A.W.M. Color-based object recognition. Pattern Recognit., 1999, vol. 32, no. 3, pp. 453--464. DOI: https://doi.org/10.1016/S0031-3203(98)00036-3

[14] Geusebroek J.M., van den Boomgaard R., Smeulders A.W.M., et al. Color invariance. IEEE Trans. Pattern Anal. Mach. Intell., 2001, vol. 23, no. 12, pp. 1338--1350. DOI: https://doi.org/10.1109/34.977559

[15] Hall D., de Verdiere V., Crowley J. Object recognition using coloured receptive fields. Proc. ECCV, pp. 164--177. DOI: https://doi.org/10.1007/3-540-45054-8_11

[16] Lindeberg T. A computational theory of visual receptive fields. Biol. Cybern., 2013, vol. 107, no. 6, pp. 589--635. DOI: https://doi.org/10.1007/s00422-013-0569-z

[17] Truong T., Dinh A., Wahid K. An IoT environmental data collection system for fungal detection in crop fields. Proc. IEEE 30th CCECE, 2017. DOI: https://doi.org/10.1109/CCECE.2017.7946787

[18] Wolfert S., Ge L., Verdouw C., et al. Big data in smart farming a review. Agric. Syst., 2017, vol. 153, pp. 69--80. DOI: https://doi.org/10.1016/j.agsy.2017.01.023

[19] Patil S.S., Thorat S.A. Early detection of grapes diseases using machine learning and IoT. Proc. 2nd Int. Conf. CCIP, 2016. DOI: https://doi.org/10.1109/CCIP.2016.7802887

[20] Pallavi S., Mallapur J.D., Bendigeri K.Y. Remote sensing and controlling of greenhouse agriculture parameters based on IoT. Proc. Int. Conf. BID, 2017, pp. 44--48. DOI: https://doi.org/10.1109/BID.2017.8336571

[21] Campbell J.B., Wynne R.H. Introduction to remote sensing. New York, The Guilford Press, 2011.

[22] Gao B. NDWI --- a normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens. Environ., 1996, vol. 58, no. 3, pp. 257--266. DOI: https://doi.org/10.1016/S0034-4257(96)00067-3

[23] Друки А.А., Спицын В.Г., Болотова Ю.А. и др. Семантическая сегментация данных дистанционного зондирования Земли при помощи нейросетевых алгоритмов. Известия ТПУ. Инжиниринг георесурсов, 2018, т. 329, № 1, c. 59--68.