Russische Ingenieure haben eine Drohne entwickelt und getestet, die Sosnovskys Bärenklau (Heracleum sosnowskyi) aus der Luft erkennt und auf Bildern zur späteren Zerstörung markiert. Tests haben gezeigt, dass die Genauigkeit der Bestimmung des Bärenklaus in Rahmen 96,9 Prozent beträgt. Entwicklungsartikel veröffentlicht in IEEE Transactions on Computers.
Der Sosnovsky-Bärenklau ist eine der bekanntesten und problematischsten invasiven Arten in Russland (er breitete sich jedoch auch nach Europa aus). Anfangs war sein Lebensraum auf den Kaukasus beschränkt, aber nachdem Mitte des 20 jetzt, mehrere Jahrzehnte nach der Einstellung des landwirtschaftlichen Anbaus. …
Eines der Probleme im Kampf gegen den Bärenklau ist seine Vitalität und die großflächige Verbreitung von Samen auch von einzelnen Pflanzen. Aus diesem Grund ist es notwendig, um die Zerstörung dieser Pflanze zu erkennen und zu kartieren, entweder Felder und andere Gebiete manuell zu umgehen oder Flugzeuge zu verwenden - die meisten Satelliten bieten keine ausreichend hohe Auflösung, um einzelne Pflanzen zu identifizieren. Aber die Abrechnung von Anlagen mit Hilfe von Flugzeugen ist noch wenig automatisiert und basiert oft auf dem Einsatz teurer Flugzeuge im Betrieb.
Skoltech-Ingenieure unter der Leitung von Andrey Somov haben einen Algorithmus entwickelt, der es ermöglicht, Multicopter zur autonomen Erkennung von Sosnovsky-Bärenklau in der Umgebung unter ihnen zu verwenden. Als Hardwareplattform wählten sie den DJI Matrice 200 Quadcopter und den NVIDIA Jetson Nano Einplatinencomputer mit einem relativ leistungsstarken Videobeschleuniger, der es ermöglicht, ein neuronales Netzwerk direkt auf dem Gerät zu starten.
Ein neuronales Faltungsnetz ist für die Suche nach einem Bärenklau in Frames von einer Drohnenkamera verantwortlich, die ein Frame empfängt und eine semantische Segmentierung durchführt, indem sie Bereiche mit einem Bärenklau darauf markiert. Die Entwickler wählten drei gängige konvolutionelle neuronale Netzwerkarchitekturen aus, um ihre Leistung für diese Aufgabe zu vergleichen: U-Net, SegNet und RefineNet. Sie stellen selbst einen Datensatz zusammen, um die Algorithmen zu trainieren. Dazu filmten sie viele Drohnenaufnahmen in der Region Moskau mit zwei verschiedenen Drohnen und einer Action-Kamera (an der Drohne befestigt). Als Ergebnis erhielten sie 263 Bilder und markierten die Bereiche mit Bärenklau darauf. Der Datensatz ist auf GitHub verfügbar.
Nach dem Training neuronaler Netze testeten die Autoren sie auf einem Einplatinencomputer und stellten fest, dass sie mit einer Frequenz von Zehntel oder Hundertstel Frames pro Sekunde arbeiten. Das beste Ergebnis lieferte ein auf U-Net basierendes Netzwerk mit 0,7 Bildern pro Sekunde. Die beste Klassifikation wurde von einem SegNet-basierten Netzwerk mit einer Fläche unter der ROC-Kurve (einer gängigen Metrik zur Beurteilung der Qualität einer binären Klassifikation) von 0,969 gezeigt.
Zuvor haben auch andere Ingenieure Drohnen eingesetzt, um Pflanzen in ihren Bildern zu erkennen, darunter Baumwolle und Bäume im Wald. Sie schlagen auch vor, Drohnen einzusetzen, um Pflanzen zu zerstören, zum Beispiel Unkraut und Kokasträucher.
