Ученые Самарского национального исследовательского университета им. С.П Королёва и Российско-Армянского университета (г. Ереван) совместно разработают универсальный программный комплекс, который сможет автономно в полевых условиях анализировать получаемые в ходе мониторинга гиперспектральные изображения, не прибегая к помощи человека и не задействуя для анализа наземные компьютерные службы, нейросети и базы данных.
Разработка, основанная на инновационном алгоритмическом подходе, должна в перспективе упростить массовое внедрение гиперспектральных технологий в самых различных сферах. Проект получил грантовую поддержку Российского фонда фундаментальных исследований и комитета по науке министерства образования, науки, культуры и спорта Республики Армения.
"По итогам исследований в 2022 году планируется создать прототип универсальной компьютерной системы, динамически подстраивающейся под каждую задачу анализа изображений путем автоматического формирования и отбора специальных информативных признаков на основе разрабатываемых алгоритмов. Подобная компьютерная система существенно повысит эффективность решения многих прикладных задач анализа цифровых изображений, в том числе в области геоинформатики, "умного" земледелия, дистанционного зондирования Земли и медицинской диагностики", - рассказал руководитель проекта, заведующий кафедрой технической кибернетики Самарского университета, профессор Александр Куприянов.
Гиперспектральные технологии, первоначально разработанные для использования в космосе, постепенно находят все большее применение на Земле. Например, для создания приборов ранней диагностики опасных заболеваний, которые на начальных стадиях могут протекать без очевидных симптомов. В системах интеллектуального земледелия гиперспектрометры могут точно и оперативно оценивать состояние посевов, увлажненность почвы, ее насыщенность минеральными удобрениями, наличие сорняков, больных растений и т.п. По гиперспектральному снимку из космоса или с беспилотника можно распознать очаги поражения лесов какими-либо насекомыми-вредителями, "увидеть", какие именно вредные вещества загрязнили тот или иной водоем.
Одним из ключевых препятствий на пути массового применения гиперспектральных технологий остается сложность получения и формирования достаточного массива эталонных спектральных образов - т.н. “гиперкубов” с которыми можно было бы сравнивать полученные результаты. Большинство признаков, необходимых для расшифровки гиперспектральных изображений, получают опытным путем. Для анализа новых снимков чаще всего используют классификацию: нейронные сети, которые сравнивают их с образами ранее идентифицированных объектов.
“Фундаментальная проблема заключается в том, что универсальный признак придумать нельзя - для каждого типа изображения он всегда будет уникальным, - подчеркнул Александр Куприянов. - Если мы хотим найти на картинке реку, то интуитивно мы понимаем, что надо посмотреть максимальное значение в синем диапазоне, а если мы хотим найти почву - в красном. Но если нам нужно отличить соленое озеро от пресного, или выделить определенную растительность - хвойный лес, например? Тогда признак становится более сложным и нам нужно искать диапазон - какой именно оттенок зеленого нас интересует. А поскольку мы решаем задачу "отличения", например в случае растительности, от всего остального, то нам нужно анализировать не только зеленый, но и красный световые диапазоны. Условно говоря, в зеленом должно быть много яркости, а в красном - мало”.
Подход, предложенный международной группой ученых, позволяет рассчитывать информативные признаки идентификации объектов автономно - без использования сложных классификаторов и нейронных сетей. В его основе методика, которая позволяет, управляя одним параметром, подобрать оптимальный фильтр для обработки всего изображения. Сейчас ученые разрабатывают самообучаемый алгоритм, который сможет самостоятельно рассчитывать подобные информативные признаки, необходимые для распознавания объектов гиперспектральных изображений.
“На данном этапе наше исследование носит сугубо фундаментальный характер, но его прикладное значение очевидно. Наш подход позволяет получить алгоритм, способный самостоятельно рассчитывать информативные признаки искомых объектов на гиперспектральных изображениях без готовых индексов или конкретного образца под рукой”, - оценивает перспективы этой работы Александр Куприянов.
Такое решение открывает возможность создания мобильных гиперспектрометров, адаптированных для размещения на легких беспилотниках. Записывать и хранить большой объём гиперспектральных данных на таких аппаратах экономически невыгодно. Еще сложнее в полевых условиях оперативно передать собранные сведения на сервер для обработки нейросетью - это потребует значительных временных и технических ресурсов. Использование же алгоритмов позволит им с помощью чипов бортовых систем БПЛА рассчитывать информативные признаки искомых объектов сразу - буквально на лету.
Комментарии
(0) Добавить комментарий