Facebook Instagram Twitter RSS Feed PodBean Back to top on side

Aktuality

Vrtuľník s hyperspektrálnymi kamerami a lidarovými snímačmi

Ústav informatiky SAV, v. v. i., ukončil projekt HYSPED

10. 12. 2023 | videné 383-krát

Ústav informatiky SAV, v. v. i., (ÚI SAV) ukončil v novembri 2023 projekt HYSPED – Výskum aplikácie prostriedkov umelej inteligencie pri analýzach a klasifikácií dát hyperspektrálneho snímkovania. Na projekte, ktorý podporil Európsky fond regionálneho rozvoja (EFRR) v rámci operačného programu Integrovaná infraštruktúra, sa zúčastnili aj Technická univerzita vo Zvolene (TUZVO) a VUJE, a. s.

Cieľom riešiteľov z ÚI SAV v projekte HYSPED bola príprava cloudovej infraštruktúry na zber dát a návrh modelov na báze umelej inteligencie na klasifikáciu druhov drevín pomocou hyperspektrálnych snímok v rámci leteckého snímkovania nadzemných elektrických vedení v lokalitách Visolaje, Sverepec, Závada a Počarová. Počas riešenia projektu sa uskutočnilo 28 letov, ktoré realizoval partner projektu VUJE, a. s. Z každého letu bolo získaných zhruba 550 GB dát, čo predstavovalo spolu až 15 TB dát na ďalšie spracovanie. Vstupné dáta pre klasifikačné modely boli generované riešiteľmi z TUZVO.

Cloudová infraštruktúra bola reprezentovaná otvorenou softvérovou cloudovou platformou OpenStack, ktorá poskytovala 756 CPU jadier, 11 GPU akcelerátorov NVIDIA A100, 4 akcelerátory NVIDIA K20, RAM 3,9 TB a úložisko s kapacitou 400 TB. Tieto zdroje boli zdieľané s používateľmi vo forme predpripravených virtuálnych strojov alebo Docker kontajnerov. Týmto spôsobom bola zabezpečená serverless paradigma pre umelú inteligenciu v cloudovom počítaní.

Výskum klasifikačných modelov bol zameraný na metódy pixelovej a objektovej klasifikácie. V rámci pixelovej klasifikácie boli aplikované plne prepojené 1D dopredné neurónové siete (1D FFNN) a 1D konvolučné siete (1D CNN) bez redukcie dimenzie priestoru príznakov a v prípade 1D CNN aj s redukciou dimenzie na báze analýzy hlavných komponentov (PCA). Na objektovú klasifikáciu sa použila 3D CNN s redukciou dimenzie priestoru príznakov pomocou PCA. Presnosť klasifikácie sa pohybovala v intervale 0,997 až 0,999. Bol navrhnutý a implementovaný aj 2D CNN model. Kombinácia balancovaného datasetu, rozsiahlej augmentácie, zákazkovo navrhnutému modelu a rozsiahlemu procesu učenia priniesla výsledné presnosti klasifikácie presahujúce 99 % u všetkých aj málo zastúpených drevín. Ďalší prístup ku klasifikácii hyperspektrálnych dát, vyvinutý v rámci projektu HYSPED, využíva osvedčený model GoogleLeNet. Incepčný modul pôvodného modelu bol vylepšený z 2D na 3D konvolúciu a zaviedli sa parametrizovateľné filtre s cieľom zníženia straty informácií a pridania širších receptívnych polí. Uvedený model sa aktívne zúčastnil Kaggle súťaže zameranej na klasifikáciu hyperspektrálnych obrazov, konkrétne detekciu hrdze plevovej na snímkach pšenice ozimnej. Prezentovaný model sa umiestnil na zdieľanom druhom mieste spomedzi 27 tímov.

Výstupom projektu HYSPED za ÚI SAV je štúdia modelovaných závislostí v dátach a validované modely s podporou cloudovej infraštruktúry na detekciu a klasifikáciu drevín na úrovni TRL 5.

 

Zdroj: Ústav informatiky SAV, v. v. i.

Foto: VUJE, a. s.

Súvisiace články