تشخیص و استخراج درختان نخل از تصاویر ماهواره ای با قدرت تفکیک مکانی بالای گوگل ارث بر مبنای شبکه‌های یادگیری عمیق باقیمانده
محورهای موضوعی : زیرساخت اطلاعات مکانی و طبقه بندی
مصطفی کابلی زاده
1
,
کاظم رنگزن
2
,
محمد عباسی
3
1 - گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
2 - گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
3 - گروه سنجش از دور و GIS
کلید واژه: شبکه عصبی کانولوشنال, یادگیری ماشین, تشخیص خودکار, استخراج اهداف,
چکیده مقاله :
شناسایی موقعیت درختان اولین گام جهت مدیریت فضای سبز، باغ‌ها و جنگل‌ها است. تهیه نقشه موقعیت درختان می‌تواند با عملیات زمینی نقشه‌برداری که نیاز به هزینه و زمان زیادی دارد یا با استفاده از تصاویر هوایی یا ماهواره‌ای انجام شود. در این پژوهش از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالای گوگل ارث برای تشخیص و استخراج درختان نخل با توجه به نقش و اهمیت درخت نخل در مناطق جنوبی ایران استفاده شده است، اما تشخیص خودکار درخت از تصاویر ماهواره‌ای یک چالش است. در این راستا روش‌های یادگیری عمیق به عنوان یک راه‌حل مهم برای استخراج اشیا از تصاویر مطرح هستند. در این تحقیق از روش‌های یادگیری عمیق باقیمانده با تعداد لایه‌های 18، 34 و 50 استفاده شده است. ابتدا بیش از 3000 نمونه تصویر در دو کلاس حاوی درخت نخل و بدون درخت نخل با ابعاد 64 در 64 پیکسل بریده شده و سپس مدل‌ها با 80 درصد نمونه‌ها برای یادگیری و 20 درصد برای اعتبارسنجی با 30 دوره تکرار و دقت بالای 99 درصد برای هر سه مدل آموزش داده شده است. مدل آموزش دیده بر روی 500 نمونه تست اجرا شده و نتایج ارزیابی هرسه مدل نشان داد که معیار دقت بیش از 0.96 و معیار بازیابی برابر 1 و معیار F1Score بیش از 0.98 است. اجرای مدل‌ها بر روی تصاویر ماهواره‌ای گوگل ارث با حرکت پنجره 64 در 64 پیکسل با گام 16 پیکسل و سپس اعمال روش سرکوب غیرحداکثری نشان می‌دهد که می‌توان از تصاویر ماهواره‌ای سامانه گوگل ارث برای تهیه نقشه موقعیت درختان نخل استفاده نمود. با توجه به زمان پردازش و امکان برآورد بهتر تعداد و استخراج موقعیت درختان نخل، مدل یادگیری عمیق باقیمانده با 34 لایه پیشنهاد شد.
Identifying the location of trees is the first step to manage green spaces, gardens and forests. The preparation of the location map of the trees can be done by ground mapping operations, which require a lot of money and time, or by using aerial or satellite images. In this research, satellite images with the high spatial resolution of Google Earth have been used to detect and extract palm trees, considering the role and importance of palm trees in the southern regions of Iran, but automatic recognition of trees from satellite images is a challenge. In this regard, deep learning methods are considered as an important solution for extracting objects from images. In this research, residual deep learning methods with the number of layers 18, 34 and 50 have been used. First, more than 3000 image samples were cut in two classes containing palm trees and without palm trees with dimensions of 64 x 64 pixels, then the models were trained with 80% samples for learning and 20% for validation with 30 epochs. The training accuracy of the models has been above 99%. The trained model was implemented on 500 test samples and the evaluation results of all three models show that the precision is more than 0.96, the recall is equal to 1, and the F1Score is more than 0.98. Running the models on Google Earth satellite images by moving the 64 x 64 pixel window with a step of 16 pixels and applying the non maximum suppression method shows that the satellite images of the Google Earth system can be used to prepare a map of palm trees. Considering the processing time and the possibility of better estimating the number and extracting the position of palm trees, the residual deep learning model with 34 layers is suggested.
_||_
