Разработка информационной системы качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Тымчук Андрей Игоревич

  • Тымчук Андрей Игоревич
  • кандидат науккандидат наук
  • 2022, ФГБОУ ВО «Кубанский государственный технологический университет»
  • Специальность ВАК РФ00.00.00
  • Количество страниц 121
Тымчук Андрей Игоревич. Разработка информационной системы качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков: дис. кандидат наук: 00.00.00 - Другие cпециальности. ФГБОУ ВО «Кубанский государственный технологический университет». 2022. 121 с.

Оглавление диссертации кандидат наук Тымчук Андрей Игоревич

ВВЕДЕНИЕ

ГЛАВА 1. Аналитический обзор методов и средств анализа изображений

1.1. Анализ методов распознавания образов на изображениях

1.2. Текстурный анализ изображений

1.3. Компьютерный анализ изображений в сельском хозяйстве

1.4. Цель и задачи диссертационного исследования

Выводы по главе

ГЛАВА 2. Разработка методического обеспечения для системы текстурного анализа аэрофотоснимков

2.1. Разработка методики идентификации текстуры на основе вектора признаков, вычисляемых с помощью матриц смежности

2.2. Разработка методики текстурной сегментации аэрофотоснимков на основе матриц смежности и метода к-средних

2.3. Разработка методики текстурной сегментации аэрофотоснимков на основе модифицированного метода выращивания регионов

2.4. Разработка методики классификации текстурных сегментов на аэрофотоснимках на основе искусственной нейронной сети

Выводы по главе

ГЛАВА 3. Система качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков

3.1. Структура и состав информационной системы

3.2. Средства реализации информационной системы

3.3. Методика установки и работы с информационной системой

Выводы по главе

ГЛАВА 4. Оценка эффективности методического обеспечения информационной системы

4.1. Выбор критерия оценки качества сегментации

4.2. Оценка качества классификации

4.3. Оценка эффективности информационной системы

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Приложение А. Скриншоты отдельных элементов системы

Приложение Б. Акт об использовании и внедрении результатов диссертационной работы

Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка информационной системы качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков»

ВВЕДЕНИЕ

Актуальность темы исследования. На сегодняшний день компьютерный анализ изображений с целью автоматизации получения и обработки информации применяется во многих сферах человеческой деятельности и является одной из активно развивающихся и активно обсуждаемых областей. Технологии этой области востребованы в сфере медицины, робототехники, автомобилестроения, промышленности и многих других. Среди основных научных трудов в области компьютерного анализа изображений можно выделить работы: Лекун Я., Зиссерман Э., Харалик Р.М., Канадэ Т., Малик Д.

Среди актуальных работ в области распознавания образов на изображениях стоит отметить работу [51], в которой авторы предлагают принципиально новый подход к обработке обучающей выборки, элементы которой обладают свойством симметрии; работу [52], в которой авторы используют методы предварительного обучения для улучшения результата распознавания изображений; работу [53], в которой представлена новая архитектура нейронных сетей глубокого обучения.

Особенный интерес также представляет компьютерный анализ изображений, являющихся аэрофотоснимками. Во многом это связано с качественным развитием беспилотных летательных аппаратов и фотоаппаратуры, что позволяет использовать данные технологии в малом и среднем бизнесе.

Повышенный спрос на анализ аэрофотоснимков сегодня предъявляет и сельское хозяйство. В данной области требуется выполнять классификацию используемых и неиспользуемых земель, проводить оценку состояния угодий, обеспечивать своевременное лечение заболеваний у выращиваемых культур, выполнять оценку качества производимой продукции и оценку различных статистических данных. Требуется автоматизация процесса анализа аэрофотоснимков с целью экономии временных, людских и финансовых ресурсов.

Среди существующих решений в области сельского хозяйства можно выделить разработки отечественных компаний «Совзонд» и «Аэромакс», а также зарубежных компаний «Dragonfly IT», «Granular», «Agrivi» и «Agworld».

Несомненно, разработки, соответствующие выбранной тематике, уже существуют, однако, в большинстве своём не все из них доступны многим рядовым хозяйствам и не все из них удовлетворяют имеющимся потребностям. Кроме того, область компьютерного анализа изображений характеризуется отсутствием типовых задач и типовых способов решений. На основе вышеизложенного можно сделать вывод об актуальности выбранной тематики и востребованности проводимых исследований с целью разработки доступного и узконаправленного программного и методического обеспечения для автоматизации решения ряда задач сельского хозяйства.

Объектом исследования являются изображения, представленные аэрофотоснимками объектов сельскохозяйственного назначения.

Предметом исследования являются методы текстурного анализа аэрофотоснимков объектов сельскохозяйственного назначения.

Целью исследования является повышение качества обработки изображений аэрофотоснимков объектов сельскохозяйственного назначения, посредством разработки методического аппарата текстурного анализа.

Задачи исследования:

1. Провести анализ методов распознавания образов на изображениях, а также применения методов компьютерного текстурного анализа изображений в области сельского хозяйства.

2. Разработать методику идентификации текстур сельскохозяйственных объектов.

3. Разработать методику текстурной сегментации изображений, являющихся аэрофотоснимками объектов сельскохозяйственного назначения.

4. Разработать методику классификации сельскохозяйственных текстур и текстурных сегментов с помощью нейронной сети.

5. Разработать информационную систему качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков.

6. Дать оценку эффективности методического обеспечения разработанной информационной системы.

Научная новизна диссертационной работы заключается в разработке новых методик текстурного анализа изображений. В ходе диссертационной работы были получены следующие результаты:

- разработаны методики текстурного анализа для обработки аэрофотоснимков сельскохозяйственных объектов, а также других изображений;

- разработана информационная система качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков;

- проведена апробация методической разработки и оценка её эффективности.

Результаты, изложенные в диссертационной работе, могут быть использованы при решении различных задач текстурного анализа.

Теоретическая значимость работы заключается в разработке методик текстурного анализа для обработки аэрофотоснимков, а также других изображений.

Предложена методика идентификации текстуры на основе вектора текстурных признаков, вычисляемых с помощью матриц смежности. Обоснован выбор конкретного набора признаков, который следует использовать для текстурного анализа аэрофотоснимков. В рамках методики внесены изменения в процесс вычисления текстурных признаков - используются матрицы смежности для нескольких цветов. Обоснована необходимость такого подхода.

Предложено две методики текстурной сегментации аэрофотоснимков, обеспечивающие достоверность получаемой информации. Первая основана на использовании матриц смежности, а вторая представляет собой модификацию метода выращивания регионов.

Предложена методика классификации текстур и текстурных сегментов. Методика основана на использовании искусственной нейронной сети в качестве классификатора. В рамках методики обоснован выбор структуры нейронной сети и определены параметры для её обучения.

Практическая значимость работы состоит в разработке информационной системы качественного анализа объектов сельскохозяйственного назначения на

основе аэрофотоснимков, которая позволяет проводить:

- текстурную сегментацию заданных изображений по заданным параметрам и сегментацию при использовании минимума параметров, когда значения определяются автоматически;

- обучение текстурного классификатора по заданным параметрам;

- классификацию текстур и текстурных сегментов на основе заранее обученного классификатора.

Кроме того, разработанная информационная система обладает свойством универсальности, так как помимо аэрофотоснимков способна выполнять текстурный анализ и других типов изображений.

Разработанная информационная система реализует предложенные методики текстурного анализа и представляет собой самостоятельное программное обеспечение, состоящее из набора пользовательских команд для обработки изображений. Тестирование программного обеспечения выполнялось на базе операционной системы Linux Ubuntu, однако, установка и эксплуатация информационной системы возможна и на других операционных системах семейства Unix или Windows.

Информационная система разработана при помощи средств с открытым исходным кодом: высокоуровневого скриптового языка программирования общего назначения PHP версии 7.2 и компонента Symfony Console версии 4.4.

Основные положения, выносимые на защиту:

1. Результаты анализа существующих методов распознавания образов на изображениях, а также методов текстурного анализа изображений.

2. Методика идентификации текстуры на основе вектора признаков, вычисляемых с помощью матриц смежности.

3. Методика текстурной сегментации аэрофотоснимков на основе использования матриц смежности.

4. Методика текстурной сегментации аэрофотоснимков на основе модифицированного метода выращивания регионов.

5. Методика классификации текстур и текстурных сегментов на

аэрофотоснимках на основе искусственной нейронной сети.

6. Информационная система качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков.

Степень достоверности результатов подтверждается использованием известных математических моделей и методов обработки аэрофотоснимков с применением нейронных сетей, а также апробацией разработанного программного обеспечения и полученным актом реализации.

Апробация работы. Результаты диссертации докладывались на следующих конференциях: V Международная научно-практическая конференция «Автоматизированные информационные электроэнергетические системы» (Кубанский государственный технологический университет, Краснодар, 2017); X Международная научно-практическая конференция «Научные чтения имени профессора Н.Е. Жуковского» (Краснодарское высшее военное авиационное училище летчиков, Краснодар, 2019).

Публикации. По результатам выполненных в диссертации исследований опубликовано 7 научных работ, из них: 5 статей в рецензируемых журналах, рекомендованных ВАК при Минобрнауки РФ, 2 статьи в научных журналах по материалам конференций.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения и списка использованных источников. Общий объем диссертации 118 страниц машинописного текста, включая 25 рисунков, 29 таблиц и 2 приложения. Список использованных источников включает 53 наименования.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И СРЕДСТВ АНАЛИЗА

ИЗОБРАЖЕНИЙ

1.1. Анализ методов распознавания образов на изображениях

Распознавание образов на изображении является важным разделом информатики, связанным с областью компьютерного зрения. Способность «распознавать» является важным свойством живых организмов, при этом компьютерные системы этим свойством не обладают. Существует множество задач распознавания, в которых человек может не справляться с обработкой поступающей информации, например, в случае большого объёма этой самой информации. Также стоит отметить задачи автоматизации, где замена человека компьютерной системой является основополагающим критерием.

Примеры задач распознавания образов на изображениях:

- распознавание символов и текста на документах;

- помощь в принятии решений и постановке диагноза в области медицины;

- мониторинг и контроль качества;

- распознавание лиц, жестов и т.д.;

- система автопилота транспортного средства и компьютерное зрение роботизированных систем, то есть принятие решений в реальном времени на основе поступающего видеопотока;

- прогноз погоды на основе снимков со спутника;

- геология и картография, связанная с описание местности;

- классификация изображений, например, автоматическая сортировка документов.

Важно отметить, что большинство задач распознавания образов не имеют типового решения. Решение каждой задачи формируется индивидуально на основе заданных условий, и исходя из заданных критериев.

По своей сути, задача распознавания образов представляет собой задачу классификации, поскольку распознать - это значит наделить выделенный объект

определённой характеристикой, то есть отнести его к определённому классу [19]. Выделим основные понятия теории распознавания образов и классификации.

Признаком называется характеристика объекта, позволяющая определять принадлежность объекта к определённому классу и отличать его от других объектов. Как правило, признак представляет собой числовое описание одного из свойств исследуемого объекта.

Класс представляет собой множество объектов, имеющих схожий набор признаков. Для задачи распознавания образов может определено любое количество классов, но минимально может быть использовано два класса - класс исследуемых объектов и класс всех остальных объектов, отличных от исследуемых.

Образом называется область изображения, характеризующаяся определённым набором признаков, то есть относящаяся к определённому классу. Понятия образа используется в случае, когда на заданном изображении необходимо выделить и охарактеризовать его определённую часть. Однако существуют такие задачи классификации, когда под образом понимается заданное изображение целиком.

Классификация - это процесс сопоставления выделенных объектов с рассматриваемыми классами относительно соответствующего набора признаков. Данное определение также справедливо для понятия распознавания образов.

Классификатором или решающим правилом называется такое правило, которое в качестве входных данных принимает набор признаков объекта, а в качестве выходных данных выдаёт класс, к которому принадлежит объект.

Можно выделить пять этапов (представлены на рисунке 1.1) решения задачи распознавания образов на изображении:

1. Предобработка входного изображения.

2. Сегментация изображения, то есть выделение объектов.

3. Вычисление признаков объектов, необходимых для классификации.

4. Классификация выделенных объектов по вычисленным признакам.

5. Постобработка полученных результатов.

/ л

Входные

данные

ч__у

1 г

Предобработка

Сегментация

Вычисление признаков

1 г

Классификация

Постобработка

/ л

Результат

Рисунок 1.1 - Этапы решения задачи распознавания образов на изображении

В общем случае задачу распознавания образов можно определить следующим образом [1]:

- А - множество объектов для распознавания;

- а: а £ А - объект для распознавания;

- С - множество непересекающихся классов;

- Б - множество признаков, характеризующих объекты из множества А;

- х(а): А ^ Б - функция, ставящая в соответствие каждому объекту а вектор признаков из множества Б;

- у(х): Б ^ С - классификатор, оценивающий принадлежность объекта а к классу из множества С на основании х(а).

Исходя из вышеуказанного, задача распознавания образов заключается в построении такого классификатора у(х), чтобы сопоставление объектов с

классами выполнялось с минимальным числом ошибок [1].

Начальное множество признаков часто может быть избыточным, тогда его обработка будет требовать большого количества времени. Порой это время может быть настолько велико, что целесообразность выполнения такой обработки будет близка к нулю. Поэтому первоочередной пункт при решении задачи распознавания образов заключается в отборе подмножества признаков или построении нового сокращённого множества, которое позволит достичь необходимого баланса между точностью и производительностью. При решении большинства задач распознавания данное множество признаков формируется вручную, исходя из начальных условий и ограничений.

Для анализа изображений существует несколько разновидностей признаков [21]. Они представлены на рисунке 1.2.

Рисунок 1.2 - Виды признаков, используемых в задачах анализа изображений

Геометрические признаки характеризуют области изображения с точки зрения их геометрической формы. К таким признакам относятся: углы, границы, гребни, площадь, диаметр и т.д.

Углы также называются точками интереса. Они представляют собой точечные элементы изображения, обладающие определённой структурой. Совокупность таких элементов, расположенных определённым образом позволяет формировать структурное представление искомого образа.

Границы представляют собой точки на изображении, где присутствует переход между двумя различными областями. Обычно границы определяются, как наборы точек на изображении с большим значением градиента. Кроме того,

некоторые алгоритмы затем объединяют точки с высоким значением градиента в цепочку, чтобы сформировать более полное описание границы. Как правило, эти алгоритмы накладывают некоторые ограничения на свойства границ, такие как форма, гладкость и значение градиента.

Гребни позволяют определять тонкие объекты произвольной длины на изображении. С практической точки зрения гребень можно рассматривать как одномерную кривую, которая представляет ось симметрии и, кроме того, имеет атрибут локальной ширины гребня, связанный с каждой точкой гребня. Данные признаки часто используются для определения дорог на аэрофотоснимках и кровеносных сосудов на изображениях из области медицины.

Использование совокупности геометрических признаков позволяет выполнить подробное описание объекта на изображении с точки зрения его геометрии и структуры.

Морфологические признаки характеризуют области изображения с точки зрения их формы и морфологии. Как правило, данный вид признаков применяется для обработки бинарных изображений, то есть значение цвета конкретного пикселя не представляет интереса.

Морфологические методы исследуют изображение с помощью небольшой формы или шаблона, называемого элементом структурирования. Данный элемент позиционируется во всех возможных местах изображения и сравнивается с соответствующей областью пикселей. Некоторые операции проверяют, вписывается ли элемент в окрестности, в то время как другие проверяют, попадает ли он в окрестности или пересекает их.

Элемент структурирования - это небольшое бинарное изображение, то есть небольшая матрица пикселей, каждый элемент которой имеет значение либо ноль, либо один. Каждая морфологическая операция проверяет соответствие между пикселями рассматриваемой области изображения и пикселями элемента структурирования. Считается, что элемент структурирования вписывается в область изображения, если каждому его пикселю со значением 1 соответствует пиксель рассматриваемой области с таким же значением. Аналогично, элемент

структурирования попадает в область изображения или пересекает её, если хотя бы одному его пикселю со значением 1 соответствует пиксель рассматриваемой области с таким же значением. Пиксели элемента структурирования со значением 0 игнорируются - они указывают на пиксели, которые не имеют значения для используемого шаблона. На рисунке 1.3 представлены примеры элементов структурирования.

Рисунок 1.3 - Примеры элементов структурирования для получения

морфологических признаков

Статистические признаки основаны на статистическом распределении пикселей в рассматриваемой области изображения. Данный вид признаков обладает меньшей вычислительной сложностью в отличие от признаков, связанных со структурой объекта.

Признаки, основанные на статистических методах, разделяются относительно количества учитываемых соседних пикселей: признаки первого порядка (один пиксель), признаки второго порядка (два пикселя) и признаки высокого порядка (три и более пикселей) [23]. Основное отличие состоит в том, что признаки первого порядка оценивают свойства (например, среднее и дисперсия) отдельных значений пикселей, игнорируя пространственное взаимодействие между пикселями изображения, тогда как признаки второго и более высокого порядка оценивает свойства двух или более значений пикселей, встречающихся в определенных местах относительно друг друга. Таким образом, статистические признаки первого порядка не учитывают отношения соседства

пикселей.

Один из частных способ применения статистических признаков - это описание текстуры. Текстура является важным элементом низкоуровневого описания изображения. Её можно использовать для описания содержимого целого изображения или его области в дополнение к простейшим признакам, основанным на разнице в цвете. В качестве примера текстурных признаков можно использовать такие характеристики, как однородность, грубость и т.д. Каждая из характеристик будет основываться на статистических значениях, вычисленных относительно пространственного распределения пикселей.

Распространён также метод вычисления статистических признаков на основе гистограммы изображения или его области, построенной относительно распределения исследуемой характеристики, в качестве которой может использоваться, например, яркость или цвет пикселя [2]. Признаки, вычисленные на основе гистограммы, являются статистическими признаками первого порядка.

Когда множество используемых признаков определено, с его помощью можно выполнить описание изображения или его области на основе вектора значений признаков. Данный вектор подаётся на вход классификатору для определения принадлежности к рассматриваемому классу. Все классификаторы можно разделить на две группы [20, 44]:

1. Классификаторы, не требующие предварительного обучения.

2. Классификаторы, требующие предварительного обучения.

Простейшими представителями первой группы классификаторов являются

методы кластерного анализа. Для этих методов неважно, какие именно признаки будут использованы. Если признаки представляют собой численные значения, то к ним применимы методы кластеризации. Как правило, кластерный анализ используется на начальных этапах в системах распознавания с целью определения общего количества классов на имеющихся данных. Отсутствие необходимости обучения - главное достоинство данных методов. Это уменьшает сложность реализации и увеличивает скорость работы метода, однако, негативно влияет на конечную точность распознавания [20].

Методы кластерного анализа можно разделить на две группы:

1. Кластеризация при заранее известном количестве классов.

2. Кластеризация относительно порогового значения при заранее неизвестном количестве классов.

Популярным методом кластерного анализа является метод к-средних. Данный метод относится к классу вероятностных методов кластеризации и требует непосредственного указания числа классов, на которые необходимо разбить имеющиеся данные.

Суть алгоритма заключается в стремлении минимизировать суммарное квадратичное отклонение элементов от центров кластеров. Основная идея заключается в том, что на каждой итерации алгоритма центр масс для каждого кластера вычисляется заново, после чего элементы вновь разбиваются на кластеры в соответствии с тем, какой из новых центров оказался ближе относительно выбранной функции расстояния. Когда на одной из итераций не происходит нового разбиения, алгоритм завершается. Благодаря такому разбиению, каждому элементу будет соответствовать определённый кластер. В данном случае кластер идентичен понятию класса, соответственно каждый элемент будет помечен определённым классом [3].

Конечный результат кластеризации в методе к-средних сильно зависит от начального выбора центров кластеров. При этом оптимальный выбор центров неизвестен. Существует улучшенная версия метода под названием к-средних++, который предполагает алгоритм инициализации центров, но даже там центр первого кластера будет выбран случайным образом [22].

Ещё одним известным методом кластеризации при заранее известном числе кластеров является метод самоорганизующихся карт Кохонена. Метод представляет собой нейронную сеть с обучением без учителя, то есть результат обучения зависит только от структуры входных данных. Важным отличием метода является то, что все нейроны сети (центры кластеров) упорядочены в некоторую структуру. При использовании данного метода элементы, относящиеся к одному классу в исходном пространстве, будут расположены рядом на

полученной карте [20, 28].

Среди методов кластеризации при неизвестном числе кластеров можно выделить метод иерархической кластеризации и метод ФОРЭЛ (формальные элементы). Оба этих метода предполагают задание определённого порога близости кластеров, до которого необходимо выполнять разбиение исходного множества данных.

Все методы кластеризации в рамках решения задачи распознавания образов имеют одну особенность, которая в ряде случае может оказаться существенным недостатком. С помощью данных методов можно выполнить разбиения исходного множества значений признаков на отличающиеся друг от друга классы, но в общем случае сами классы нельзя наделить сложным качественным описанием. Сущность каждого класса полностью зависит от исходного множества признаков.

Основным методом решения задачи распознавания образов и классификации является использование нейронных сетей. В этом случае решение задачи сводится к определению структуры сети и её обучению. При это нет какой-либо чёткой привязки к типу и топологии используемой нейронной сети. Как правило, структура сети и её параметры определяются экспериментально, исходя из особенностей решаемой задачи [20].

Нейронная сеть представляет собой математическую модель, построенную по принципу организации и функционирования сетей нервных клеток живых организмов. Данная модель представляет собой систему искусственных нейронов и связей между ними. Каждый нейрон является простейшим процессором, способным выполнять ряд базовых операций по обработке входящих сигналов. В одиночку нейрон не обладает большой вычислительной мощью, но совокупность нейронов уже позволяет решать сложные задачи.

Использование нейронной сети обязательно предполагает этап её обучения. При этом по характеру обучения нейронные сети делятся на три группы:

1. Обучение с учителем - используется заранее подготовленный обучающий набор (обучающая выборка). В процессе обучения нейронная сеть будет всегда сверять свой результат с подготовленными примерами. Точность решений на

основе таких нейронных сетей будет во многом зависит от правильности подбора данных для обучения.

2. Обучение без учителя - нейронная сеть обучается исключительно на основе множества входных данных без использования заранее подготовленных примеров. Такой подход применим к задачам, в которых требуется определить зависимости и закономерности, существующие между элементами. Нейронные сети данной группы также называются самоорганизующимися.

3. Обучение с подкреплением - является частным случаем обучения с учителем, которым в данном случае выступает модель нейронной сети или среда, с которой она взаимодействует. Отклик среды на результат работы сети определяет механизм обратной связи, благодаря которому нейронная сеть способна изменять своё состояние.

Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Список литературы диссертационного исследования кандидат наук Тымчук Андрей Игоревич, 2022 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Местецкий, Л. М. Математические методы распознавания образов: курс лекций / Л. М. Местецкий. - М.: МГУ, 2004. - 85 с.

2. Тропченко, А. А. Методы вторичной обработки и распознавания изображений: учебное пособие / А. А. Тропченко, А. Ю. Тропченко. - СПб.: СПбГУ ИТМО, 2015. - 215 с.

3. Ту, Д. Принципы распознавания образов: пер. с англ. / Д. Ту, Р. Гонсалес. - М.: Мир, 1978. - 414 с.

4. Розенблатт, Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга / Ф. Розенблатт. - М.: Мир, 1965. - 478 с.

5. Фраленко, В. П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли / В. П. Фраленко // Программные системы: теория и приложения. - 2014. - Т. 5. - № 4 (22). - С. 19-39.

6. Якушев, В. В. Точное земледелие: теория и практика / В. В. Якушев. -СПб.: ФГБНУ АФИ, 2016. - 364 с.

7. Тымчук, А. И. О выборе уровней серого в задаче текстурной сегментации изображений на основе матриц яркостной зависимости / А. И. Тымчук // Кибернетика и программирование. - 2018. - № 3. - С. 1-9.

8. Тымчук, А. И. О текстурных признаках в задаче сегментации аэрофотоснимков на основе матриц яркостной зависимости / А. И. Тымчук // Кибернетика и программирование. - 2018. - № 6. - С. 31-39.

9. Тымчук, А. И. Сегментация изображения на основе текстурных признаков и метода к-средних / А. И. Тымчук // Перспективы науки. - 2019. - № 5. - С. 24-28.

10. Тымчук, А. И. Классификация текстур на основе матриц смежности и нейронной сети / А. И. Тымчук // Перспективы науки. - 2020. - № 7. - С. 54-58.

11. Тымчук, А. И. Классификация текстурных сегментов на аэрофотоснимках на основе нейронной сети и метода выращивания регионов / А. И. Тымчук // Перспективы науки. - 2021. - № 1. - С. 15-17.

12. Ковалёва, И. Л. Текстурные признаки изображений / И. Л. Ковалёва. -Минск: Изд-во БНТУ, 2010. - 24 c.

13. Маннинг, К. Введение в информационный поиск / К. Маннинг, П. Рагхаван, Х. Шютце. - М.: Вильямс, 2011. - 528 с.

14. Нейронная сеть, обучение ИНС с помощью алгоритма обратного распространения [Электронный ресурс]. - Режим доступа: http://robocraft.ru/blog/algorithm/560.html (дата обращения: 10.03.2020).

15. Мейер, Б. Объектно-ориентированное конструирование программных систем / Б. Мейер. - М.: Русская редакция, 2005. - 1232 с.

16. Введение в JSON [Электронный ресурс]. - Режим доступа: http://json.org/json-ru.html (дата обращения: 21.11.2020).

17. Захаров, А. В. Критерии оценки качества сегментации изображений / А. В. Захаров, П. П. Кольцов, Н. В. Котович, A. А. Кравченко, A. С. Куцаев, A. С. Осипов // Труды НИИСИ РАН. - 2012. - Т. 2. - № 2. - С. 87-99.

18. Фисенко, В. Т. Компьютерная обработка и распознавание изображений: учебное пособие / В. Т. Фисенко, Т. Ю. Фисенко. - СПб.: СПбГУ ИТМО, 2008. -192 с.

19. Мазуров, В. Д. Математические методы распознавания образов: учебное пособие. - 2-е изд., доп. и перераб. / В. Д. Мазуров. - Екатеринбург: Изд-во Уральского университета, 2010. - 101 с.

20. Чабан, Л. Н. Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования: учебное пособие / Л. Н. Чабан. - М.: МИИГАиК, 2016. - 94 с.

21. Subba Rao, M. Comparative Analysis of Pattern Recognition Methods: An Overview / M. Subba Rao, B. E. Reddy // Indian Journal of Computer Science and Engineering. - 2011. - T. 2. - No 3. - P. 385-390.

22. Arthur, D. k-means++: The advantages of careful seeding / D. Arthur, S. Vassilvitskii // ACM-SIAM Symposium on Discrete Algorithms (SODA 2007). - 2007. - P. 1027-1035.

23. Ramola, A. Study of statistical methods for texture analysis and their modern

evolutions / A. Ramola, A. Shakya, D. Pham // Engineering Reports. - 2020. - No 2.

24. Haralick, R. M. Statistical and Structural Approaches to Texture / R. M. Haralick // Proceedings of the IEEE. - 1979. - T. 67. - No 5. - P. 786-804.

25. Huang, C. Color image segmentation by seeded region growing and region merging / C. Huang, Q. Liu, X. Li // Seventh International Conference on Fuzzy Systems and Knowledge Discovery. - 2010. - P. 533-536.

26. Takanashi, T. Color Image Segmentation Based on Region Growing Algorithm / T. Takanashi, J. Shin // Journal of Convergence Information Technology. -2012. - T. 7. - No 16. - P. 152-160.

27. Zhan, Q. Color-based segmentation of point clouds / Q. Zhan, Y. Liang, Y. Xiao // ISPRS Laser Scanning Workshop. - 2009. - No 38.

28. Kohonen, T. Self-organizing maps / T. Kohonen. - 3rd ed. - Springer, 2001. -

501 p.

29. Haralick, R. M. Textural Features for Image Classification / R. M. Haralick, K. Shanmugan, I. Dinstein // IEEE Trans. Systems, Man and Cybernetics. - 1973. - T. 3. - No 6. - P. 610-621.

30. Nguyen, D. Improving the Learning Speed of 2-Layer Neural Networks by Choosing Initial Values of the Adaptive Weights / D. Nguyen, B. Widrow // International Joint Conference on Neural Networks. - 1990. - T. 3. - P. 21-26.

31. Unser, M. Sum and difference histograms for texture classification / M. Unser // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1986. - T. 8. - No 1. - P. 118-125.

32. PHP vs Python: A Detailed Comparison Between the Two Languages [Electronic resource]. - Access mode: https://kinsta.com/blog/php-vs-python (дата обращения: 30.04.2021).

33. What is Symfony [Electronic resource]. - Access mode: https://symfony.com/what-is-symfony (дата обращения: 27.11.2020).

34. ImageMagick - Convert, Edit, or Compose Digital Images [Electronic resource]. - Access mode: https://imagemagick.org/index.php (дата обращения: 14.12.2020).

35. Albregtsen, F. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices / F. Albregtsen // Image Processing Laboratory, Department of Informatics, University of Oslo. - 2008. - P. 1-14.

36. Zhang, H. Image segmentation evaluation: A survey of unsupervised methods / H. Zhang, J. Fritts, S. Goldman // Computer Vision and Image Understanding. - 2008.

- T. 110. - No 2. - P. 260-280.

37. Ojo, J. Comparative Analysis of Textural Features Derived from GLCM for Ultrasound Liver Image Classification / J. Ojo, Aborisade, A. Amole, A. Durodola // International Journal of Computer Trends and Technology. - 2014. - T. 11. - No 6. - P. 239-244.

38. Powers, D. Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation / D. Powers // Mach. Learn. Technol. - 2008.

- T. 2. - No 1. - P. 37-63.

39. Classification: Accuracy [Electronic resource]. - Access mode: https://developers.google.com/machine-learning/crash-course/classification/accuracy (дата обращения: 19.10.2020).

40. Classification: Precision and Recall [Electronic resource]. - Access mode: https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall (дата обращения: 19.10.2020).

41. Parikh, R. Understanding and using sensitivity, specificity and predictive values / R. Parikh, A. Mathai, S. Parikh, G. Sekhar, T. Ravi // Indian journal of ophthalmology. - 2008. - T. 56. - No 1. - P. 45-50.

42. Lehmann, E. L. Theory of Point Estimation / E. L. Lehmann, G. Casella. -2nd ed. - Springer, 1998. - 590 p.

43. Armi, L. Texture image analysis and texture classification methods - A Review / L. Armi, S. Fekri-Ershad // International Online Journal of Image Processing and Pattern Recognition. - 2019. - T. 2. - No 1. - P. 1-29.

44. Keilis-Borok, V. Pattern Recognition Methods and Algorithms / V. Keilis-Borok, A. Soloviev. - ICTP, 2007. - 20 p.

45. Karthikeyan, S. Performance analysis of gray level cooccurrence matrix

texture features for glaucoma diagnosis / S. Karthikeyan, N. Rengarajan // American Journal of Applied Sciences. - 2014. - T. 11. - No 2. - P. 248-257.

46. Zhang, Y. J. A Survey On Evaluation Methods for Image Segmentation / Y. J. Zhang // Pattern Recognition. - 1996. - T. 29. - No 8. - P. 1335-1346.

47. Zhang, Y. J. A review of recent evaluation methods for image segmentation / Y. J. Zhang // Proceedings of the Sixth International Symposium on Signal Processing and its Applications. - 2001. - T. 1. - P. 148-151.

48. Buhmann, M. Radial Basis Functions: Theory and Implementations / M. Buhmann. - Cambridge University Press, 2003. - 272 p.

49. LeCun, Y. Backpropagation Applied to Handwritten Zip Code Recognition / Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, L. D. Jackel // Neural Computation. - 1989. - T. 1. - No 4. - P. 541-551.

50. Tomita, F. Computer Analysis of Visual Textures / F. Tomita, S. Tsuji. -Springer, 1990. - 185 p.

51. Maron, H. On Learning Sets of Symmetric Elements / H. Maron, O. Litany, G. Chechik, E. Fetaya // Proceedings of the 37th International Conference on Machine Learning. - 2020. - T. 119. - P. 6734-6744.

52. Chen, M. Generative Pretraining from Pixels / M. Chen, A. Radford, R. Child, J. Wu, H. Jun, D. Luan, I. Sutskever // Proceedings of the 37th International Conference on Machine Learning. - 2020. - T. 119. - P. 1691-1703.

53. Vaswani, A. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, I. Polosukhin // Proceedings of the 31st International Conference on Neural Information Processing Systems. - 2017. - T. 17. -P. 5998-6008.

119

ПРИЛОЖЕНИЕ А Скриншоты отдельных элементов системы

$ php bin/console list Console Tool

Usage:

command [options] [arguments]

Options: -h, --help -q, --quiet -V, --version

- -ansi

- - no-ansi

Display this help message Do not output any message Display this application version Force ANSI output Disable ANSI output n, --no-interaction Do not ask any interactive question

v|vv|vvv, --verbose Increase the verbosity of messages: 1 for normal output, 2 for more verbose output and 3 for debug

Available commands:

classify Выполняет классификацию заданного изображения или его сегментов, help Displays help for a command

list Lists commands

segment Разбивает изображение на сегменты, train Обучает нейронную сеть.

Рисунок А.1 - Результат выполнения команды List

$ php bin/console classify --help Description:

Выполняет классификацию заданного изображения или его сегментов.

Usage:

classify [options] [--] <image> <classifier> [<output>]

Arguments: image

classifier output

Options -s, --t, -

-h, -q,

-V,

- v| vv

scale=SCALE

th reshold=THRESHQLD

segment

color-threshold =COLOR- T HRESHOLD

si ze-threshold=SIZE-THRESHOLD

help

quiet

version

ansi

no-ansi

no-interaction |vvv, --verbose

Путь к файлу изображения для классификации. Путь к файлу со структурой классификатора. Путь к директории для сохранения результата.

Размер большей стороны масштабированного изображения. Используйте О для отключения масштабирования.

Значение порога для классификации, [default: 0.5]

Классифицирует сегменты на изображении.

Значение порога для объединения регионов по цвету.

Значение порога для объединения регионов по размеру.

Display this help message

Do not output any message

Display this application version

Force ANSI output

Disable ANSI output

Do not ask any interactive question

Increase the verbosity of messages: 1 for normal output, 2 for more verbose output and 3 for debug

Рисунок А.2 - Справочная информация для команды Classify

$ php bin/console classify . ./input/sannple. j pg . ./output/network. j son ../output --segment -t 0.8

Инициализация семян: 100%

Выращивание регионов: 100%

Анализ соседних регионов: 100%

Объединение регионов по цвету: 100%

Объединение регионов по размеру: 100%

Классификация сегментов: 100% Классифицировано сегментов: 1/S

Результат классификации сохранён в файл ../output/sample-classified.jpg

Рисунок А.3 - Пример выполнения команды Classify

$ php bin/console segment --help Description:

Разбивает изображение на сегменты.

Usage:

segment [options] [--] <image> <output>

Arguments: image output

Options -s.

-scale=SCALE -split

- -coIo r-1h reshoId =COLOR-THRESHOLD --size-threshold=SIZE-THRESHOLD

-h, --help -q, --quiet -V, --version

- -ansi

--no-ansi -n, --no-interaction -v|vv|vvv, --verbose

Путь к файлу изображения для сегментации. Путь к директории для сохранения результата.

Размер большей стороны масштабированного изображения. Используйте О для отключения масштабирования.

Сохраняет каждый сегмент в отдельное изображение.

Значение порога для объединения регионов по цвету.

Значение порога для объединения регионов по размеру.

Display this help message

Do not output any message

Display this application version

Force ANSI output

Disable ANSI output

Do not ask any interactive question

Increase the verbosity of messages: 1 for normal output, 2 for more verbose output and 3 for debug

Рисунок А.4 - Справочная информация для команды Segment

$ php bin/console train --help Description:

Обучает нейронную сеть.

Usage:

train [options] [--] <training-set> <output>

Arguments : training-set output

Путь Путь

директории обучающего набора, файлу для сохранения результата.

Options -f

-h, -q.

- n.

features=FEATURES scale=SCALE

matrix-size=MATRIX- SIZE layer-size=LAYER-SIZE

• layers - count=LAYERS- COUNT

• activation-function=ACTIVATION-FUNCTION •momentum=MGMENTUM

• rate=RATE

• epoch-count=EPOCH-COUNT

• min-error=MIN-ERROR

• positive-output=POSITIVE-OUTPUT negative-output=NEGATIVE-OUTPUT help

quiet

■ version

■ ansi

■ no-ansi

■ no-interaction

-v|vv|vvv, --verbose

Номера признаков для описания текстуры (через запятую), [default: [3,4,6,7,14,15]]

Размер большей стороны для масштабирования изображений обучающего набора, [default: О]

Число учитываемых градаций цвета (размер матрицы смежности), [default: 64]

Число нейронов в скрытом слое. По умолчанию равно числу нейронов во входном слое.

Число скрытых слоев в нейронной сети, [default: 2]

Функция активации для нейронов скрытого и выходного слоев.

Значение момента, [default: 0.35]

Скорость обучения, [default: 0.1]

Число эпох, [default: 100]

Минимальная величина ошибки.

Ожидаемый результат для положительной выборки, [default: 1]

Ожидаемый результат для отрицательной выборки, [default: О]

Display this help message

Do not output any message

Display this application version

Force ANSI output

Disable ANSI output

Do not ask any interactive question

Increase the verbosity of messages: 1 for normal output, 2 for more verbose output and 3 for debug

Рисунок А.5 - Справочная информация для команды Train

121

ПРИЛОЖЕНИЕ Б Акт об использовании и внедрении результатов диссертационной работы

УТВЕРЖДАЮ ^ООО «Инитлаб» \ Лгабеков Р.Л.

_2021 г.

АКТ ВНЕДРЕНИЯ

Настоящий акт составлен о том, что результаты диссертационной работы по соисканию ученой степени кандидата технических наук ТЫМЧУК А.И. на тему «Разработка информационной системы качественного анализа объектов сельскохозяйственного назначения на основе аэрофотоснимков» использованы в ООО «Инитлаб» при разработке систем анализа изображений. Предложенные методы позволяют повысить точность результата при решении задач классификации.

Заместитель директора ООО «Инитлаб»

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.