Marjamäärien ja koulutusdatan analysointia objektitunnistuksella

Abstract

Opinnäytetyön tavoitteena on tutkia koneoppimiseen tarkoitetun koulutusmateriaalin laatua ja puolukkaryppäiden marjamääriä. Toimeksiantajana toimiva Frostbit on luonut Marjamasiina-hankkeessa marjamäärien laskemis- ja arviointiratkaisun, joka käyttää objektitunnistusta. Työssä käytetään koneoppimista, joka korvaa ihmisvoimin työlään ja pitkävetisen työtehtävän.

Marjamasiinassa objektitunnistus perustuu Frostbitin valtavaan koulutusmateriaaliin, joka koostuu kuvista ja annotointitiedostoista. Opinnäytetyössä tehdään osasta Marjamasiinan koulutusmaterialista oma koulutusmateriaali, jolle luodaan paremmat annotaatiot. Tämä uuden koulutusmateriaalin pohjalta tehdään YOLOv5-algoritmilla objektitunnistusmalli.

Objektitunnistusmallin luominen käydään koulutusmateriaalin kokoamisesta asti lävitse, minkälainen koulutusmateriaalin pitäisi olla ja kuinka sen voi koota. Itse mallin kouluttaminen tehdään pilvilaskentaa hyödyntäen. Mallia käytetään tunnistukseen, jossa tunnistusluokkien ja -laatikoiden perusteella luodaan analyysidataa. Analyysidataa saadaan tunnistuksesta ja koulutusmateriaaleista, joita verrataan keskenään. Analyysia varten luodaan ohjelmia, jotka vertaavat eri lähteistä saatuja datoja ja tekevät kuvaajia.

Tuloksissa saadaan selville, että Marjamasiinan koulutusmateriaalissa on puutteita. Materiaalista puuttuu marjojen annotointeja, kun taas marjaryppäät on annotoitu huolellisesti. Lisäksi datoista saadaan tietoa, minkälaisia marja-määriä ryppäissä on. Lopuksi tuodaan esille muutamia kuvakohtaisia tapauksia, joissa kuvataan eri datojen eroavaisuuksia.

The aim of the thesis study was to evaluate the training material of an object detection model and berry quantities in lingonberry bunches. The study was commissioned by Frostbit. In their Marjamasiina project they have created a berry calculation solution, which uses object detection.

Marjamasiina project’s object detection is based on Frostbit’s training material, which consists of images and their annotation files. Part of the Frostbit’s training material was used to create new training material with better annotations. This new training material was used to create object detection model using YOLOv5 algorithm. The creation of the object detection model was started by defining specifications for the training material to be and how it can be compiled. The training of the model itself was done by using cloud computing. The trained model was in detection, where detection classes and bounding boxes were used to generate analysis data. The analysis data was created from detections and different training materials, to be compared with each other. For the analysis, tools and programs were created to compare the different data and to generate different graphs.

The results show that there are some missing annotations in the Marjamasiina’s training material. The material is lacking berry annotations, while berry bunches are annotated quiet well. Also, the berry counts for berry bunches can be received from different data sources. Finally, a few illustrative cases are presented to show the nature of the data.