Классификация пород деревьев в процессе лесозаготовки с применением методов машинного обучения

Приведены сдерживающие факторы, ограничивающие повышение эффективности лесозаготовительного производства современными многооперационными машинами, работающими по скандинавской сортиментной технологии в фазе валки, а именно – выбор и регистрация породы древесины. Приведены факторы для создания полной архитектуры полносвязной нейронной сети, зависимости точности прогнозирования полносвязной нейронной сети на тестовой выборке от размера обучающего набора данных, показано изображение зависимости точности прогнозирования от количества деревьев при методе случайного леса для классификации изображений. Исследованы классификаторы для задачи определения породы ствола дерева по изображению на основе методов полносвязной нейронной сети и случайного леса. Рассматриваемые классификаторы написаны на языке программирования Python с применением библиотеки tensorflow. Для написания кода использовалась кроссплатформенная интегрированная среда разработки PyCharm Community. Для полносвязных нейронных сетей установлены достаточное количество изображений и размер тестовой выборки для обучения при применении в качестве целевых значений меток классов породы ствола дерева. Определено необходимое количество изображений для обучения полносвязных нейронных сетей при применении в качестве целевых значений меток классов породы ствола дерева с высокой точностью прогнозирования. Построены зависимости точности прогнозирования полносвязной нейронной сети на тестовой выборке от размера обучающего набора данных.

1. Алеев Д.В. Обеспечение подготовки высококвалифицированных кадров для лесопромышленного комплекса // Молодые ученые в решении актуальных проблем науки: сб. материалов Всерос. науч.-практ. конф. студентов, аспирантов и молодых ученых. Красноярск: СибГЛТУ, 2019. С. 759–761.

2. Базаров С.М., Беленький Ю.И., Свойкин Ф.В., Свойкин В.Ф., Бальде Т.М.Д. Системный анализ технологической эффективности производства сортиментов на базе ВСРМ // Известия Санкт-Петербургской лесотехнической академии. 2020. Вып. 233. С. 177–188.

3. Вербицкая Н.О., Чекотин Р.С. Формирование нейрометодики профессионального обучения в условиях человеко-машинного взаимодействия // Вестник Южно-Уральского государственного университета. Серия: Образование. Педагогические науки. 2017. Т. 9, № 2. С. 62–73.

4. Елисеев И.Н., Елисеев И.И. Непараметрический подход к оценке результатов обучения: бутстреп-метод и его возможности // Современное образование: содержание, технологии, качество. 2019. Т. 1. С. 176–179.

5. Волков С.Н., Корешков Н.В. Ведение лесозаготовок. М.: МГТУ имени Н.Э. Баумана, 2017. 166 с.

6. Никонорова Л.И., Тимофеев М.Г., Кузнецова А.П. Python как современный язык программирования // Наука и образование. 2019. Т. 2, № 2. С. 263.

7. Полянская О.А., Михайлова А.Е., Тамби А.А. Общая характеристика текущей экономической ситуации ЛПК России и перспективы развития // Современные машины, оборудование и IT-решения лесопромышленного комплекса: теория и практика: матер. Всерос. науч.-практ. конф. Воронеж: ВГЛТУ, 2021. С. 101–106.

8. Полянская О.А. Лесопромышленный комплекс. Результаты работы 7 месяцев 2022 года // Развитие науки и практики в глобально меняющемся мире в условиях рисков: сб. материалов XIII Междунар. науч.-практ. конф. М.: АЛЕФ, 2022. С. 239–242.

9. Рябухин П.Б., Абраменко А.С. Система «человек – машина – среда» в лесном комплексе // Вестник КрасГАУ. 2009. № 4. С. 184–186.

10. Сиротов А.В., Лапин А.С., Тесовский А.Ю., Карчин Ф.А., Усачев М.С. Супервизорное управление исполнительными механизмами машин лесозаготовок и лесного хозяйства // Лесной вестник. Forestry Bulletin. 2021. Т. 25, № 4. С. 121–128.

11. Старикова А.А., Стародубцева А.А. Лесопромышленный комплекс России в условиях санкций 2022 года // Инновации в химико-лесном комплексе: тенденции и перспективы развития: матер. Всерос. науч.-практ. конф. Красноярск: СибГТУ, 2022. С. 185–188.

12. Тимохина О.А. Проблемы кадрового обеспечения лесопромышленного комплекса в условиях цифровизации экономики Российской Федерации // Повышение эффективности управления устойчивым развитием лесопромышленного комплекса: матер. Всерос. науч. конф. Воронеж: ВГЛТУ. 2020. С. 510–514.

13. Швецова В.В. Повышение эффективности подготовки кадров для лесопромышленного комплекса России // Повышение эффективности управления устойчивым развитием лесопромышленного комплекса: матер. Всерос. науч. конф. Воронеж: ВГЛТУ. 2020. С. 520–525.

14. Novikov S.V., Veas Iniesta D.S. Analysis of development trends in the innovation industry of the Russian Federation // Amazonia Investiga. 2019. No. 8(19). P. 298–307.