Исследователи Пермского национального исследовательского политехнического университета разработали методику обучения нейросети, которая помогает точнее находить несанкционированные свалки на спутниковых снимках. После изменения обучающей выборки точность классификации выросла с 56% до 95%, а количество ложных срабатываний сократилось примерно в 24 раза.
Нейросети уже применяют для экологического мониторинга: они анализируют спутниковые фотографии и отмечают участки, на которых могут находиться скопления отходов. Однако такие системы часто путают свалки с карьерами, промышленными зонами и строительными площадками. Из-за этого специалистам приходится вручную проверять результаты автоматического поиска.
Ученые ПНИПУ выяснили, что одна из причин ошибок заключается в составе обучающих данных. Если на снимках со свалками и чистыми территориями преобладают разные типы ландшафта, нейросеть может ориентироваться на окружающую обстановку, а не на сами отходы.
Для решения проблемы исследователи подготовили выборку из более чем 100 тысяч спутниковых изображений разных регионов России. В нее включили не только снимки со свалками и участками без отходов, но и изображения объектов, которые внешне напоминают незаконные места складирования мусора.
Дополнительно специалисты разработали программу для автоматического сбора геопространственных характеристик территорий. Она определяет тип земного покрова, плотность населения, особенности рельефа и другие параметры, используя открытые источники. Эти сведения помогают учитывать не только изображение самого участка, но и его окружение.
Для распознавания использовали стандартную модель нейросети, предназначенную для анализа изображений. Её обучили на подготовленной выборке с дополнительными примерами карьеров, промышленных объектов и строительных площадок.
В результате общая точность классификации выросла с 56% до 95%. При этом число ложных срабатываний — случаев, когда система ошибочно принимала другой объект за свалку, — уменьшилось примерно в 24 раза.
По словам авторов, эксперимент показал, что для повышения качества распознавания важно не просто увеличивать количество изображений, а правильно подбирать их состав. Разработка может упростить работу экологических служб и надзорных органов, которым приходится обследовать большие территории и выявлять незаконные места размещения отходов.
Исследование опубликовано в журнале «Прикладная математика и вопросы управления».
Источник: Минобрнауки России
Читайте также: ВШЭ предложила способ повысить надежность связи между автомобилями