Распознавание древесных пород на основе анализа изображений

В статье представлен метод автоматического распознавания древесных пород на основе анализа изображений стволов деревьев, полученных с использованием беспилотных летательных аппаратов (БПЛА). Авторы применяют сверточные нейронные сети (CNN) для классификации семи древесных пород: берёзы, ели, сосны, осины, клёна, дуба и лиственницы. Исследование направлено на преодоление ограничений традиционных методов идентификации, таких как субъективность экспертной оценки и высокая трудоёмкость. Методология включает сбор и предварительную обработку данных, аугментацию изображений для увеличения вариативности, а также обучение модели с использованием архитектур ResNet, EfficientNet и MobileNet. Результаты демонстрируют высокую эффективность модели: средняя точность классификации превышает 90%, при этом наилучшие показатели достигнуты для дуба (97,6%) и берёзы (95,4%). Для пород с визуально схожей фактурой (ель и сосна) точность составила около 85%, что указывает на необходимость дальнейшей оптимизации. Анализ влияния внешних факторов выявил значимость угла съёмки и уровня освещённости для точности классификации. Предложенный метод может быть использован в лесном хозяйстве для автоматизации мониторинга и управления ресурсами. Для повышения эффективности авторы рекомендуют расширить набор данных, включить дополнительные параметры окружающей среды и провести кросс-валидацию на независимых выборках.

1. Войтов Д.Ю., Васильев С.Б., Кормилицын Д.В. Разработка технологии определения породы деревьев с применением компьютерного зрения // Лесной вестник. 2023. Т. 27, № 1. С. 60–66. DOI: 10.18698/2542-1468-2023-1-60-66.

2. Говядин И.К. Инновационные подходы к сбору данных о высотах и диаметрах деревьев в насаждениях // Перспективы развития лесного комплекса: cб. науч. тр. межд. науч.-практ. конф. Брянск, 2023. С. 179–182.

3. Говядин И.К., Чубинский А.Н., Алексеев А.С. Метод измерения диаметров деревьев на основе технологий искусственного интеллекта // Известия Санкт-Петербургской лесотехнической академии. 2024. Вып. 249. С. 177–194. DOI: 10.21266/2079-4304.2024.249.177-194.

4. Говядин И.К., Каримов Б.М., Шеремет В.А. Система визуализации данных. Свидетельство о государственной регистрации программы для ЭВМ № 2023612089 Российская Федерация: № 2022668020; заявл. 30.09.2022; опубл. 30.01.2023.

5. Каримов Б.М., Говядин И.К. Искусственный интеллект в лесной отрасли: возможности и перспективы // Современные тренды управления и цифровая экономика: от регионального развития к глобальному экономическому росту: сб. ст. V Межд. науч.-практ. конф. Екатеринбург, 2023. С. 334–338.

6. Овсянников А.В. Методология классификации пород деревьев бореальных лесов с использованием архитектуры Efficientnet искусственного интеллекта // Journal of Agriculture and Environment. 2024. No. 5 (45). DOI: 10.60797/JAE.2024.45.8.

7. Armi L., Abbasi E. Tree Bark Classification using Color-improved Local Quinary Pattern and Stacked MEETG // Journal of Artificial Intelligence and Data Mining (JAIDM). 2023. Vol. 11, no. 3. P. 391–405. DOI: 10.22044/jadm.2023.12692.2420.

8. Carpentier M., Giguère P., Gaudreault J. Tree Species Identification from Bark Images Using Convolutional Neural Networks // 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2018. DOI: 10.48550/arXiv.1803.00949.

9. Kim T.K., Hong J., Ryu D., Kim S., Byeon S.Y., Huh W., Kim K., Baek G.H., KimH.S. Identifying and extracting bark key features of 42 tree species using convolutional neural networks and class activation mapping // Scientific Reports. 2022. Vol. 12. Art. no. 4772. DOI: 10.1038/s41598-022-08571-9.

10. Kim J.-H., Purusatama B.D., Savero A., Prasetia D., Jang J., Park S.-Y., Lee S., Kim N. Convolutional neural network performance and the factors affecting performance for classification of seven Quercus species using sclereid characteristics in the bark // BioResources. 2023. Vol. 19. P. 510–524. DOI: 10.15376/biores.19.1.510-524.

11. Kottilapurath Surendran G., Deekshitha, Lukac M., Výbošťok J., Mokros M. A forestry investigation: Exploring factors behind improved tree species classification using bark images // Ecological Informatics. 2024. Vol. 85, iss. 1. Art. no. 102932. DOI: 102932.10.1016/j.ecoinf.2024.102932.

12. Miao S., Zhang K., Zeng H., Liu J. AI-Based Tree Species Classification Using Pseudo Tree Crown Derived From UAV Imagery (preprint). 2024. DOI: 10.20944/preprints202402.0786.v1.

13. Onishi M., Ise T. Explainable identification and mapping of trees using UAV RGB image and deep learning // Scientific Reports. 2021. Vol. 11. Art. no. 903. DOI: 10.1038/s41598-020-79653-9.

14. Pradipkumar V.H., Alagu Raja R.A. Automatic Identification of Tree Species from UAV Images Using Machine Learning Approaches // Journal of the Indian Society of Remote Sensing. 2022. Vol. 50. P. 2447–2464. DOI: 10.1007/s12524-022-01608-6.