(48-3) 10 * << * >> * Русский * English * Содержание * Все выпуски

Мониторинг реинтродуцированных редких растений на основе нейронной сети YOLO
Л.А. Городецкая 1, А.Ю. Денисова 1, Л.М. Кавеленова 1, В.А. Федосеев 1

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34

  PDF, 3219 kB

DOI: 10.18287/2412-6179-CO-1405

Страницы: 397-405.

Аннотация:
Восстановление популяций редких видов растений (реинтродукция) – одна из важнейших мер сохранения биоразнообразия на планете. Реинтродуцированные растения нуждаются в постоянном мониторинге с целью изучения особенностей их развития и контроля за состоянием популяции. Для сокращения влияния человека на естественную среду обитания растений и упрощения процесса мониторинга мы предлагаем использовать беспилотные летательные аппараты и осуществлять автоматический анализ результатов их съёмки при помощи свёрточной нейронной сети. В рамках данной статьи описаны результаты, полученные при помощи сети YOLOv3. Рассматриваются вопросы настройки нейронной сети для обнаружения посадок пиона тонколистного, реинтродуцированного в Самарской области силами кафедры экологии, ботаники и охраны природы Самарского университета. Основным вопросом исследования являлось изучение возможности обучения нейронной сети по изображениям пиона в искусственной среде обитания с последующим применением на изображениях в естественной среде обитания. Проведенные исследования подтверждают возможность успешного обучения нейронной сети на изображениях пионов в искусственной среде обитания.

Ключевые слова:
реинтродукция, биоразнообразие, данные БПЛА, нейронные сети, YOLOv3.

Благодарности
Работа выполнена при поддержке гранта РНФ №23-11-20013..

Цитирование:
Городецкая, Л.А. Мониторинг реинтродуцированных редких растений на основе нейронной сети YOLO / Л.А. Городецкая, А.Ю. Денисова, Л.М. Кавеленова, В.А. Федосеев // Компьютерная оптика. – 2024. – Т. 48, № 3. – С. 397-405. – DOI: 10.18287/2412-6179-CO-1405.

Citation:
Gorodetskaya LA, Denisova AY, Kavelenova LM, Fedoseev VA. Rare plants detection using YOLO neural network. Computer Optics 2024; 48(3): 397-405. DOI: 10.18287/2412-6179-CO-1405.

References:
  1. Malone EW, Perkin JS, Leckie BM, Kulp MA, Hurt CR, Walker DM. Which species, how many, and from where: Integrating habitat suitability, population genomics, and abundance estimates into species reintroduction planning. Global Change Biology 2018; 24(8): 3729-3748. DOI: 10.1111/gcb.14126.
  2. Paeonia Tenuifolia. Russian red book. Source: <https://redbookrf.ru/pion-tonkolistnyy-paeonia-tenuifolia>.
  3. Paeonia tenuifolia (Europe assessment). The IUCN red list of threatened species. Source: <https://www.iucnredlist.org/species/165143/5981869>.
  4. Randin CF, Ashcroft MB, Bolliger J, Cavender-Bares J, Coops NC, Dullinger S, Dirnböck T, Eckert S, Fernández N, Giuliani G, Guisan A, Jetz W, Joost S, Karger D, Lembrechts J, Lenoir J, Luoto M, Morin X, Price B, Rocchini D, Schaepman M, Schmid B, Verburg P, Wilson A, Woodcock P, Yoccoz N, Payne D. Monitoring biodiversity in the Anthropocene using remote sensing in species distribution models. Remote Sens Environ 2020; 239: 111626. DOI: 10.1016/j.rse.2019.111626.
  5. Cao J, Liu K, Zhuo L, Liu L, Zhu Y, Peng L. Combining UAV-based hyperspectral and LiDAR data for mangrove species classification using the rotation forest algorithm. Int J Appl Earth Obs Geoinf 2021; 102: 102414. DOI: 10.1016/j.jag.2021.102414.
  6. Rodriguez JJ, Kuncheva LI, Alonso CJ. Rotation forest: A new classifier ensemble method. IEEE Trans Pattern Anal Mach Intell 2006; 28(10): 1619-1630. DOI: 10.1109/TPAMI.2006.211.
  7. Belcore E, Pittarello M, Lingua AM, Lonati M. Mapping riparian habitats of Natura 2000 network (91E0*, 3240) at individual tree level using UAV multi-temporal and multi-spectral data. Remote Sens 2021; 13(9): 1756. DOI: 10.3390/rs13091756.
  8. Rigatti SJ. Random forest. J Insur Med 2017; 47(1): 31-39. DOI: 10.17849/insm-47-01-31-39.1.
  9. Alvarez-Taboada F, Paredes C, Julián-Pelaz J. Mapping of the invasive species Hakea sericea using unmanned aerial vehicle (UAV) and WorldView-2 imagery and an object-oriented approach. Remote Sens 2017; 9(9): 913. DOI: 10.3390/rs9090913.
  10. Li QS, Wong FKK, Fung T. Assessing the utility of UAV-borne hyperspectral image and photogrammetry derived 3D data for wetland species distribution quick mapping. Int Arch Photogramm Remote Sens Spat Inf Sci 2017; 42: 209. DOI: 10.5194/isprs-archives-XLII-2-W6-209-2017.
  11. Fan Z, Lu J, Gong M, Xie H, Goodman ED. Automatic tobacco plant detection in UAV images via deep neural networks. IEEE J Sel Top Appl Earth Obs Remote Sens 2018; 11(3): 876-887. DOI: 10.1109/JSTARS.2018.2793849.
  12. de Castro AI, Shi Y, Maja JM, Peña JM. UAVs for vegetation monitoring: overview and recent scientific contributions. Remote Sens 2021; 13: 2139. DOI: 10.3390/rs13112139.
  13. Kattenborn T, Eichel J, Fassnacht FE. Convolutional neural networks enable efficient, accurate and fine-grained segmentation of plant species and communities from high-resolution UAV imagery. Sci Rep 2019; 9(1): 17656. DOI: 10.1038/s41598-019-53797-9.
  14. What’s new in YOLO v3? Towards data science. Source: <https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b>.
  15. Yolo v4, v3 and v2 for Windows and Linux. Source: <https://github.com/AlexeyAB/darknet>.
  16. Bârliba FC, Bârliba LL, Bârliba C. Methods of acquisition and data processing carried out with DJI Phantom 4 Pro v2.0 UAV equipment. Res J Agric Sci 2020, 52(1): 14-23.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20