Изучение возможностей компьютерного зрения для определения обособленных препятствий на грунтовых лесных дорогах

Методы технического и компьютерного зрения активно развиваются и находят все более широкое применение в различных гражданских областях промышленности. Инструменты CV могут потенциально использоваться для повышения профильной проходимости и безопасности движения лесных и лесотранспортных машин за счет оперативного распознавания обособленных препятствий в виде корней, пней, кочек, ям и проч., встречающихся на пути лесной техники. В исследовании выполнена апробация методики эксперимента по изучению возможностей инструментов компьютерного зрения для распознавания обособленных препятствий на лесных грунтовых дорогах. Эксперименты в работе проведены для различных версий искусственной нейронной сети YOLO (YOLOv8n.pt, YOLOv8s.pt, YOLOv8m.pt, YOLOv8l.pt), дообученной на большом наборе данных Road Damage Detection 2022. Установлено, что экспериментальный стенд, включающий программную и аппаратную часть, а также подобранные гиперпараметры процесса обучения моделей позволяют получать стабильные экспериментальные сведения по распознаванию и классификации дефектов дорог, включая грунтовые и лесные. Результаты оценки моделей YOLO при дообучении и валидации показали, что в качестве перспективной версии для разработки технического решения по распознаванию одиночных препятствий на лесных дорогах можно рекомендовать модель ИНС YOLOv8m.pt; при этом следует дополнительно рассмотреть вопрос регуляризации весов модели. Тестирование и экспертная оценка результатов подтвердили предварительные выводы о перспективности версии YOLOv8m.pt в качестве основы технического решения для определения обособленных препятствий, встречающихся на лесных дорогах. Отмечена целесообразность использования численного метода оптимизации Adam с шагом минимизации 0,00001 в дальнейших исследованиях, связанных с экспериментами с моделями искусственной нейронной сети YOLOv9, YOLOv9v10 для составления более полного и систематизированного научного представления о применимости моделей компьютерного зрения для определения обособленных препятствий на лесных дорогах.

1. Han S., Jiang X., Wu Z. An Improved YOLOv5 Algorithm for Wood Defect Detection Based on Attention // IEEE Access. 2023. Vol. 11. P. 71800–71810. URL: https://api.semanticscholar.org/CorpusID:259721127 (дата обращения: 10.08.2024).

2. Hutter F., Kotthoff L., Vanschoren J. (editors). Automated Machine Learning: Methods, Systems, Challenges. Springer, 2019. DOI: 10.1007/978-3-030-05318-5.

3. Latour B. Science in Action: How to Follow Scientists and Engineers through Society. Cambridge, MA: Harvard University Press, 1987.

4. Mohan Prakash B., Sriharipriya K.C. Enhanced pothole detection system using YOLOX algorithm // Auton. Intell. Syst. 2022. 2. 22. URL: https://doi.org/10.1007/s43684-022-00037-z

5. Pothole Dataset: Project on Realtime Potholes Detection. URL: https://public.roboflow.com/object-detection/pothole (дата обращения: 10.08.2024).

6. RDD2022 Dataset: The Multi-National Road Damage Dataset 2022. URL: https://datasetninja.com/road-damage-detector (дата обращения: 10.08.2024).

7. Shevtekar S. Enhanced Pothole Detection Using YOLOv8 Nano // International Scientific Journal of Engineering and Management. 2024. 03. P. 1–9. 10.55041/ISJEM01632.2024

8. Wang M., Li M., Cui W., Xiang X., Duo H. TSW-YOLO-v8n: Optimization of detection algorithms for surface defects on sawn timber // BioResources. 2023. Vol. 18, no. 4. P. 8444–8457.

9. Wang R., Chen Y., Liang F., Wang B., Mou X., Zhang G. BPN-YOLO: A Novel Method for Wood Defect Detection Based on YOLOv7 // Forests. 2024. URL: https://api.semanticscholar.org/CorpusID:270753559 (дата обращения: 10.08.2024).

10. Wang R., Liang F., Wang B., Mou X. ODCA-YOLO: An Omni-Dynamic Convolution Coordinate Attention-Based YOLO for Wood Defect Detection // Forests. 2023. Т. 14, no. 9. 1885 p. DOI: https://doi.org/10.3390/f14091885.

11. YOLOv8 Docs: Ultralytics YOLO Docs. URL: https://docs.ultralytics.com (дата обращения: 10.08.2024).