Synteettisen aineiston käyttö kuvantunnistuksessa

Abstract

Tässä opinnäytetyössä tarkasteltiin synteettisen aineiston käyttöä kuvantunnistuksessa metsätalouden kontekstissa. Työn tavoitteena oli selvittää, missä määrin virtuaalisessa ympäristössä tuotettua synteettistä kuva-aineistoa voidaan hyödyntää puulajien tunnistamiseen sekä miten synteettisen ja aidon aineiston yhdistäminen vaikuttaa kuvantunnistusmallin suorituskykyyn. Tutkimuskysymykset kohdistuivat synteettisen aineiston käyttökelpoisuuteen, synteettisen ja todellisen aineiston väliseen siirrettävyyteen sekä tunnistustuloksiin vaikuttaviin tekijöihin.

Työ toteutettiin osana AGRARSENSE-hanketta, jossa kehitetään metsätalouteen soveltuvia virtuaalisia ympäristöjä tekoälyn koulutusta varten. Synteettinen aineisto tuotettiin Unreal Engine 5 -pelimoottoriin pohjautuvalla AGRARSENSEsimulaattorilla, jonka avulla generoitiin kuvia eri puulajeista. Aineistoa täydennettiin pienellä määrällä aitoja kuvia hybridimallin muodostamiseksi. Kuvien annotointi, esikäsittely, mallin koulutus ja testaus toteutettiin Roboflow-alustalla. Kuvantunnistusmallina käytettiin transformer-pohjaista RF-DETR-objektintunnistusmallia. Aineisto jaettiin opetus-, validointi- ja testiaineistoon yleisten koneoppimiskäytäntöjen mukaisesti, ja mallin suorituskykyä arvioitiin tarkkuuden, herkkyyden ja mAP@50-mittarin avulla.

Tulokset osoittivat, että synteettistä aineistoa hyödyntävä kuvantunnistusmalli pystyi tunnistamaan puulajeja kohtalaisella tarkkuudella. Mallin mAP@50-arvo oli 45,1 prosenttia, tarkkuus 54,9 prosenttia ja 52,0 prosenttia. Parhaat tulokset saavutettiin tilanteissa, joissa kohteet olivat selkeästi näkyvissä ja valaistusolosuhteet suotuisat, kun taas haasteita ilmeni osittain peittyneiden ja visuaalisesti samankaltaisten puulajien tunnistamisessa. Tulosten perusteella synteettinen aineisto soveltuu tukemaan kuvantunnistusmallien koulutusta, mutta paras suorituskyky saavutetaan yhdistämällä synteettistä ja aitoa aineistoa. Työn tuloksia voidaan hyödyntää virtuaaliympäristöihin ja digitaalisiin kaksosiin perustuvien tekoälyratkaisujen kehittämisessä erityisesti metsätalouden sovelluksissa.