Igenkänning av trädslag med djupinlärning

Abstract

På senare tid har maskininlärning och djupinlärning blivit alltmer populärt och används inom flera olika industrier för att automatisera arbeten som skulle vara oerhört tidskrävande eller omöjliga för en människa att utföra.

Målet med examensarbetet var att kunna känna igen olika trädslag med en hög träffsäkerhet genom att visa bilder till en djupinlärningsmodell.

Med hjälp av ramverket Fast.ai skapades en modell i Python, som kunde känna igen trädslagen för enskilda träd i bilder. Den färdiglärda modellen hade en felprocent på 3,33 procent. Det goda resultatet berodde på bilder av bra kvalitet samt en lämplig inlärningshastighet.

På grund av att Fast.ai inte i detta skede stödde objektdetektering kunde inte målet att identifiera flera träd på samma bild uppnås. Denna funktionalitet förväntas komma före 2022. När funktionalitet finns kan den ursprungliga idén om skoginventering vidare utforskas.

Viime aikoina koneoppiminen ja syvällinen oppiminen ovat tulleet yhä suositummiksi, ja näitä käytetään useilla eri toimialoilla automatisoimaan työtä, joka olisi äärimmäisen aikaa vievää tai mahdotonta ihmisen suorittamiseksi.

Opinnäytetyön tavoitteena oli pystyä tunnistamaan eri puulaeja erittäin tarkasti näyttämällä kuvia syvälle oppimismallille.

Fast.ai-kehyksen avulla luotiin Pythonissa malli, joka pystyi tunnistamaan yksittäisten puiden puulajit kuvista. Valmistuneen mallin virhetaso oli 3,33 prosenttia. Hyvä tulos johtui laadukkaista kuvista ja sopivasta oppimisnopeudesta.

Koska Fast.ai ei tue objektien havaitsemista tässä vaiheessa, tavoitetta tunnistaa useita puita samasta kuvasta ei voitu saavuttaa. Tämän toiminnon odotetaan saapuvan ennen vuotta 2022. Kun toiminto on käytettävissä, alkuperäistä ideaa metsäluettelosta voidaan tutkia edelleen.

In recent times, machine learning and deep learning have become increasingly popular and are used in several different industries to automate the work that would be extremely time consuming or impossible for a human to perform.

The aim of the degree project was to be able to recognize different tree species with a high degree of accuracy by showing pictures to the deep learning model.

Using the Fast.ai framework, a model was created in Python, which could recognize the tree species for individual trees in images. The completed model had an error rate of 3.33 percent. The good result was due to images of good quality and a suitable learning speed.

Since Fast.ai did not support object detection at this stage, the goal of identifying multiple trees in the same image could not be achieved. This functionality is expected to arrive before 2022. When functionality is available, the original idea of a forest inventory can be further explored.