Розробка та порівняння моделей глибокого навчання для сегментації супутникових зображень з метою локалізації ерозії грунтів

Abstract

Дана робота присвячена вирішенню задачі автоматичного визначення географічного положення ґрунтів, що виявляють ознаки деградації. У роботі проведене детальне дослідження існуючої літератури за тематикою, розглянуто алгоритми та підходи вирішення задачі та їх переваги і недоліки, а також запропоновано критерії оцінки та базовий алгоритм для порівняння з результатами подальших досліджень та експериментів. Такий підхід забезпечує адекватну оцінку якості розробки програмних засобів сегментації зображень. Оскільки алгоритми машинного навчання потребують попередньої обробки даних, а також існують певні особливості роботи із супутниковими зображеннями, розроблена низка функцій, які надалі можуть використовуватись такими алгоритмами. Результатом роботи є розроблений програмний пакет завантаження та передобробки супутникових зображень, а також тренування і оцінки моделей глибокого навчання.

This work is devoted to solve the problem of automatic determination of the geographic location of soils showing signs of degradation. The work carried out a detailed study of the existing literature on the subject, considered algorithms and approaches to solving the problem and their advantages and disadvantages, as well as proposed evaluation criteria and a basic algorithm for comparison with the results of further research and experiments. This approach provides an adequate assessment of the quality of image segmentation software development. Since machine learning algorithms require pre-processing of data, and there are also certain features of working with satellite images, a number of functions have been developed that can be used by such algorithms in the future. The result of the work is a developed software package for downloading and processing satellite images, as well as training and evaluation of deep learning models.