Siirtolohkareiden automaattinen tunnistaminen ja luokittelu konvoluutioneuroverkkoja hyödyntäen
Rastas, Marko (2024)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2024111127803
https://urn.fi/URN:NBN:fi:amk-2024111127803
Tiivistelmä
Opinnäytetyössä tutkittiin siirtolohkareiden automaattista tunnistamista ja luokittelua konvoluutioneuroverkkoihin perustuvan syväoppimismallin avulla. Kehitettiin prosessi, jonka avulla mahdollistettiin siirtolohkareiden automaattinen tunnistaminen ilmakuvasta. Tällä voidaan lisätä mahdollisuutta liikkumiseen ja urheiluun ulkona mitkä tukevat myös työssä jaksamista.
Työssä käytettiin YOLOv8 syväoppimismallia, jonka avulla tunnistettiin siirtolohkareet ilmakuvista. Syväoppimismallia opetettiin ohjatusti manuaalisesti valikoidun ja annotoidun ilmakuva-aineiston perusteella. Menetelmässä käytettiin Google Earth - palvelua ilmakuva-aineiston hankkimiseen. Syväoppimismalleista YOLOv8 valittiin sen tehokkuuden ja tarkkuuden vuoksi.
Ohjatun oppimisen menetelmillä syväoppimismalli saatiin tunnistamaan ja luokittelemaan siirtolohkareet oikein 66-73% todennäköisyydellä. Tulokset osoittavat, että konvoluutioneuroverkkojen avulla voidaan automaattisesti tunnistaa ja luokitella luonnossa esiintyviä geologisia kohteita. Työssä kehitettyä prosessia ja ratkaisua voidaan laajentaa muihin geologisiin tutkimuksiin. The thesis investigated the automatic identification and classification of boulders using a deep learning model using convolutional neural networks. A process was developed that enabled the automatic identification of boulders from an aerial image. This can increase the opportunity for exercise and sports outdoors which also support coping at work.
The work used the YOLOv8 deep learning model, which was used to identify the boulders from aerial images. The deep learning model was taught using supervised learning based on manually selected and annotated aerial image data. The method used the Google Earth service to acquire aerial image data. Among the deep learning models, YOLOv8 was chosen due to its efficiency and accuracy.
With supervised learning methods, the deep learning model was able to identify and classify the boulders correctly with a probability of 66-73%. The results indicate that convolutional neural networks can be utilized to automatically identify and classify naturally occurring geological objects. The process and solution can be extended to other geological studies.
Työssä käytettiin YOLOv8 syväoppimismallia, jonka avulla tunnistettiin siirtolohkareet ilmakuvista. Syväoppimismallia opetettiin ohjatusti manuaalisesti valikoidun ja annotoidun ilmakuva-aineiston perusteella. Menetelmässä käytettiin Google Earth - palvelua ilmakuva-aineiston hankkimiseen. Syväoppimismalleista YOLOv8 valittiin sen tehokkuuden ja tarkkuuden vuoksi.
Ohjatun oppimisen menetelmillä syväoppimismalli saatiin tunnistamaan ja luokittelemaan siirtolohkareet oikein 66-73% todennäköisyydellä. Tulokset osoittavat, että konvoluutioneuroverkkojen avulla voidaan automaattisesti tunnistaa ja luokitella luonnossa esiintyviä geologisia kohteita. Työssä kehitettyä prosessia ja ratkaisua voidaan laajentaa muihin geologisiin tutkimuksiin.
The work used the YOLOv8 deep learning model, which was used to identify the boulders from aerial images. The deep learning model was taught using supervised learning based on manually selected and annotated aerial image data. The method used the Google Earth service to acquire aerial image data. Among the deep learning models, YOLOv8 was chosen due to its efficiency and accuracy.
With supervised learning methods, the deep learning model was able to identify and classify the boulders correctly with a probability of 66-73%. The results indicate that convolutional neural networks can be utilized to automatically identify and classify naturally occurring geological objects. The process and solution can be extended to other geological studies.