Koneoppimisteknologian hyödyntäminen marjasatojen kartoittamisessa

Abstract

Opinnäytetyön tavoitteena on selvittää, miten koneoppimisteknologiaa voidaan hyödyntää marjojen kartoittamisessa ja siten marjasatoennusteiden tuottamisessa. Opinnäytetyön tutkimuskysymys keskittyy kuvantunnistusteknologian peittymisongelman ratkaisemiseen, minkä avulla selvitetään, voidaanko kuvista laskettavalla marjojen määrällä päätellä marjojen tosiasiallinen määrä neliömetrin pinta-alalla.

Opinnäytetyö perustuu Lapin ammattikorkeakoulun Marjamasiina-hankkeeseen, jonka tavoitteena on ollut kehittää toimiva sovellus marjojen kartoittamiseksi. Hankkeessa on kehitetty koneoppimisalgoritmi paikantamaan ja luokittelemaan eri marjoja sille syötetystä kuva-aineistosta. Opinnäytetyössä hyödynnettävä aineisto on kerätty osana Marjamasiina-hanketta.

Tutkimuskysymys käsittelee koneoppimisalgoritmin tuottaman laskelman ja marjojen todellisen määrän korrelaatiota rajatulla alueella. Koneoppimisalgoritmi laskee marjojen määrän koealalta otetun kuvan perusteella, kun taas marjojen todellinen määrä on laskettu koealalta manuaalisesti käsin. Opinnäytetyö keskittyy mustikan ja puolukan tunnistamiseen ja laskemiseen.

Opinnäytetyön tuloksena osoitetaan korrelaatio, jonka avulla voidaan kehittää laskentamenetelmiä marjasatojen kartoittamiseksi hyödyntäen koneoppimisteknologiaa. Korrelaatiossa esiintyvää hajontaa selitetään erilaisilla marjoihin ja luontoon liittyvillä ominaisuuksilla, joiden ymmärrys on merkittävässä asemassa koneoppimisen pullonkaulaongelmia ratkaistaessa.

Opinnäytetyössä tuodaan esille tekijät, jotka vaikuttavat marjojen kartoittamiseen koneoppimisteknologian avulla. Näitä tekijöitä ovat esimerkiksi marjakasvien rakenteelliset erot, kuvatekniikan aiheuttama vaihtelu ja näköislajit.

The target of this thesis is to consider how machine learning technology can be used in inventory of berries and thus in developing berry yield forecasts. The research question of the thesis focuses on solving the occlusion problem of object recognition technology, which is used to find out whether the actual number of berries per square meter can be deduced from the number of berries calculated from the images.

This thesis is based on the Berrymachine project in Lapland University of Applied Sciences, which goal has been to develop a functional application for inventory of berries. In the project, a machine learning algorithm has been developed to locate and classify different berries from the image data which have been fed to it. The material used in this thesis has been collected as part of the Berrymachine project.

The research question considers the correlation between calculation produced by the machine learning algorithm and the actual number of berries in a limited area. The machine learning algorithm calculates the number of berries based on the image taken from the test area, while the actual number of berries has been counted manually by hand from the test area. Thesis focuses on the recognition and counting of bilberries and lingonberries.

As a result of the thesis, a correlation is demonstrated, which can be used to develop calculation methods for inventory of berry yields using machine learning technology. The dispersion in the correlation is explained by various characteristics related to berries and nature, the understanding of which plays a significant role in solving bottleneck problems in machine learning.

In this thesis, the factors that influence the inventory of berries with the help of machine learning technology are brought to the fore. These factors include, for example, the structural differences of berry plants, the variation caused by image technology, and species of appearance.