Ilmakuvien analysointi digitaalisesti Tensorflow ohjelmistolla

Abstract

Opinnäytetyön toimeksiantaja oli Maaseutu 2.0-hanke ja tavoitteena oli selvittää onko mahdollista hyödyntää tekoälyä hankkeessa yhden käyttötapauksen avulla. Käyttötapauksena on myrskyvaurioiden tunnistaminen ilmakuvista. Tätä varten opinnäytetyössä luotiin järjestelmä, joka havaitsisi kaatuneita puita lennokeilla otetuista ilmakuvista. Ilma-kuvista tehtävän muutosanalyysin luokittelu tehtiin TensorFlow ohjelmalla.

Opinnäytetyön teoriaosuus keskittyy neuroverkkojen teoriaan, mutta koneoppimiseen ja TensorFlow ohjelmistoon liittyvää teoriaa käsitellään myös.

Opinnäytetyön toteutusvaiheessa pystytettiin järjestelmä omalle palvelimelle yhdelle virtuaalikoneelle. Toteutusvaihe aloitettiin alkuvalmisteluilla, josta edettiin varsinaisen järjestelmän pystytykseen. Järjestelmän rakentamisen jälkeen siirryttiin testaamaan järjestelmää.

Opinnäytetyössä todettiin että tekoälyä voidaan hyödyntää Maaseutu 2.0-hankkeen tarpeisiin. Käyttötapausta varten luodussa järjestelmässä jäi jatkokehityksen varaa ja näitä jatkokehitys tarpeita on opinnäytetyössä kartoitettu.

The bachelor’s thesis was assigned by Maaseutu 2.0 project and the purpose of the the-sis was to find out if artificial intelligence could be utilized in the project and this was done with one use case. The use case was to recognize storm damage from aerial images. This was done by building a system capable of recognizing fallen trees from aerial images. In this bachelor’s thesis, a machine learning program TensorFlow was used to label the changes in the aerial images.

Theory part of the bachelor’s thesis focuses on neural networks; however, the theory of machine learning and TensorFlow is discussed too.

In the thesis, the system was built in a virtual machine on a private server. Building the system started with installing all the prerequisites, after which it was built. After the building phase, the system underwent a testing phase.

The results showed that artificial intelligence could be utilized by the Maaseutu 2.0 pro-ject in some way. The system built for the use case had room for improvement. These improvements are also discussed in the thesis.