eng
Выпуск #4/2025
А. Залищук, В. Ненашев, А. Сенцов, М. Беликов
ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ КЛАССИФИКАЦИИ ЗЕМНОЙ ПОВЕРХНОСТИ
ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ КЛАССИФИКАЦИИ ЗЕМНОЙ ПОВЕРХНОСТИ
Просмотры: 1050
DOI: 10.22184/1992-4178.2025.245.4.84.88
В работе были обучены и протестированы пять различных моделей сверточных нейронных сетей. В качестве входных данных использован набор спутниковых снимков земной поверхности RSI-CB256. Результаты исследования применимы в таких сферах деятельности, как картографирование, городское планирование, защита населения и территорий от чрезвычайных ситуаций.
В работе были обучены и протестированы пять различных моделей сверточных нейронных сетей. В качестве входных данных использован набор спутниковых снимков земной поверхности RSI-CB256. Результаты исследования применимы в таких сферах деятельности, как картографирование, городское планирование, защита населения и территорий от чрезвычайных ситуаций.
Теги: automated onboard control convolutional neural networks deep learning land cover classification автоматизированный бортовой контроль глубокое обучение классификация зон земной поверхности сверточные нейронные сети
Исследование нейросетевых методов классификации земной поверхности
А. Залищук, В. Ненашев, к. т. н., А. Сенцов, к. т. н., М. Беликов
В статье представлен сравнительный анализ методов глубокого обучения для классификации зон земной поверхности на основе обработки изображений. Описываются процессы подготовки данных для обучения, выбора признаков и настройки архитектуры нейросетевой модели для классификации.
Результаты настоящего исследования показывают высокую долю верно классифицированных зон земной поверхности при использовании рассмотренных методов. Практическая значимость заключается в обеспечении автоматизированного бортового экологического контроля за земной поверхностью в авиационных и космических системах
с техническим зрением в режиме реального времени.
ВВЕДЕНИЕ
Классификация зон земной поверхности на основе обработки изображений, полученных как со спутников, так и с авиационных систем бортового контроля, представляет собой одну из ключевых задач обработки и анализа больших данных в этой сфере. С увеличением количества доступных изображений земной поверхности довольно высокого разрешения, обусловленным развитием космических и авиационных средств контроля и снижением стоимости их эксплуатации, возрастает потребность в разработке новых автоматизированных и интеллектуальных методов обработки и анализа собираемой цифровой визуальной информации. Обработка большого объема информации оператором
в ручном режиме является неэффективным и трудоемким процессом, что вызывает необходимость внедрения автоматизированных и интеллектуальных нейросетевых средств, способных справляться с этой задачей в режиме реального времени [1].
Современные методы классификации отдельных зон земной поверхности основываются на использовании технологий технического зрения и глубокого обучения нейронных сетей. Эти методы позволяют автоматически выделять ключевые признаки на изображениях, что значительно повышает точность и скорость классификации по сравнению с традиционными подходами, основанными на ручном выделении признаков. Целью настоящего исследования является разработка системы анализа изображений земной поверхности на основе использования методов глубокого обучения нейронных сетей. Основное внимание уделяется созданию модели, способной классифицировать изображения дистанционного зондирования по различным классам с высокой долей верно классифицированных зон земной поверхности, то есть модель должна обладать высокой «точностью».
Постановка задачи
Для извлечения значимой информации из больших объемов данных изображений земной поверхности необходимо реализовать интеллектуальный анализ снимков с применением нейросетевых технологий и средств глубокого обучения. Ручная интерпретация большого объема данных занимает значительное количество времени и является субъективной оценкой, что непрактично для анализа, особенно в условиях постоянно растущих объемов информации и задач, требующих оперативного решения [2]. Снимки земной поверхности содержат множество деталей, которые могут быть интерпретированы по-разному в зависимости от опыта и знаний специалиста-оператора системы бортового контроля. Следовательно, существует острая необходимость в разработке автоматизированного решения, которое способно точно классифицировать снимки на основе их содержания, минимизируя при этом влияние человеческого фактора и увеличивая скорость обработки большого объема данных.
В рамках настоящего исследования решается задача создания точной и достоверной модели классификации различных зон на изображениях, которая может справиться со сложностями и вариациями, присутствующими на снимках земной поверхности. Современные методы глубокого обучения и искусственного интеллекта, такие как сверточные нейронные сети (СНС), активно применяются для автоматизированного анализа зон и объектов, представленных на снимках. При этом особое внимание уделяется повышению эффективности и точности анализа изображений земной поверхности. Таким образом, разработка автоматизированных систем для анализа снимков представляет собой важный шаг в направлении повышения качества и скорости обработки потоковых цифровых визуальных данных, собираемых средствами бортового контроля зон земной поверхности [3]. Это не только сокращает время, необходимое для анализа, но и повышает точность и объективность получаемых результатов, что делает их более полезными для принятия оперативных решений.
Описание набора данных
В настоящем исследовании в качестве входных данных использован набор изображений RSI-CB256 [4], представляющий собой обширную и тщательно структурированную коллекцию снимков земной поверхности, специально созданную для их анализа. Этот набор включает в себя изображения высокого качества, полученные из различных источников, таких как современные датчики спутников и моментальные снимки Google Maps, что обеспечивает разнообразное представление различных ландшафтов, включая городские территории, сельскохозяйственные угодья и водные зоны. Благодаря такому разнообразию данный набор данных позволяет учитывать широкий спектр сценариев и условий, что делает его универсальным инструментом для автоматизированного и интеллектуального анализа больших данных, собираемых о земной поверхности.
Кроме того, RSI-CB256 включает в себя четыре отдельных класса (водная поверхность – 26,6%, лесной массив – 26,7%, пустыня – 20,1% и облачные зоны – 26,6%), каждый из которых соответствует уникальной категории снимков земной поверхности. Данные классы охватывают различные типы земной поверхности и объектов, что позволяет более точно настраивать модели глубокого обучения нейросетей для решения задач классификации.
RSI-CB256 является исходным ресурсом для реализации различных нейросетей в ходе их глубокого обучения, валидации и тестирования. Использование данного набора позволяет не только обучать нейросетевые модели на разнообразных цифровых визуальных данных с целью оценки параметров качества их классификации, но и проводить сравнительный анализ их быстродействия.
Это особенно важно при решении задач бортового контроля зон земной поверхности, где точность и достоверность классификации играют ключевую роль. Благодаря своей структуре и качеству, набор данных RSI-CB256 становится незаменимым инструментом для разработки новых систем и улучшения существующих методов анализа изображений земной поверхности.
Обработка данных
Перед тем, как приступить к обучению нейросетевых моделей, требуется оценить выбранный набор данных, чтобы убедиться в его качестве и пригодности для решения поставленной задачи. Первым шагом в этом процессе является анализ распределения данных по классам. Для этого количество изображений в каждом классе визуализируется с помощью столбчатой диаграммы (рис. 1).
Такой подход позволяет оценить сбалансированность данных и выявить возможные дисбалансы, которые могут повлиять на процесс обучения нейросетевой модели. Например, если один из классов содержит значительно больше изображений, предназначенных для обучения, чем другие, то это может привести к смещению корректности обучения модели в сторону этого класса, что негативно скажется на ее способности верно классифицировать данные о зонах земной поверхности других классов [5].
После предварительного анализа данных, следующим шагом является подготовка и разбивка наборов данных на две отдельные выборки для обучения и тестирования нейросетевой модели. Эти выборки сохраняются в виде двух отдельных каталогов в рабочей директории. Такое разделение позволяет обеспечить независимость тестовой выборки, что важно для объективной оценки качества модели. Тренировочная выборка применяется для непосредственного обучения нейросетевой модели, а тестовая – в целях проверки ее способности обобщать данные и оценки ее эффективности на новых изображениях, которые не использовались в процессе обучения. Это помогает избежать переобучения и убедиться, что нейросетевая модель способна работать с новыми данными.
Для полноценного обучения и тестирования нейросетевой модели в работе используются два класса ImageDataGenerator. Первый экземпляр этого класса применяет различные методы аугментации данных, такие как поворот, сдвиг, масштабирование и смещение. Это позволяет увеличить разнообразие данных, предназначенных для обучения, и улучшить способность нейросетевой модели классифицировать различные типы земной поверхности.
Например, аугментация помогает модели лучше распознавать различные зоны на изображениях, даже в случаях если они повернуты, смещены или частично скрыты. Второй инструмент ImageDataGenerator используется только для масштабирования данных, что необходимо для приведения изображений к единому формату, подходящему для обработки нейронной сетью [6–9]. Такой подход позволяет эффективно подготовить данные для обучения и тестирования модели, обеспечивая высокие метрики качества классификации зон земной поверхности.
Кроме того, важно учитывать, что аугментация данных не только увеличивает объем тренировочной выборки, но и помогает модели стать более устойчивой к изменениям в данных, что особенно важно в задачах технического зрения. Например, если модель обучается на изображениях, снятых при разных условиях освещения или с разных ракурсов, аугментация позволяет ей лучше адаптироваться к таким вариациям. Это делает модель более универсальной и пригодной для использования в реальных условиях на борту системы контроля.
Таким образом, процесс подготовки тренировочных данных и их анализ является важным этапом перед реализацией глубокого обучения нейросетевой модели.
Он включает в себя не только визуализацию и оценку сбалансированности данных, но и их аугментацию, а также разделение на тренировочную и тестовую выборки. Все эти шаги направлены на то, чтобы обеспечить высокое качество обучения нейросетевой модели и реализовать ее способность корректно работать с новыми данными, ранее не участвовавшими в обучении, то есть, как правило, в реальных полевых условиях.
Результаты экспериментов
После обучения требуется оценить эффективность различных нейросетевых моделей, осуществляющих классификацию зон земной поверхности на основе использования уже тестовых выборок. Для этой оценки выбраны показатели потерь – loss и точности – accuracy. В табл. 1 представлены полученные показатели каждой из исследуемых нейросетевых моделей.
Данные табл. 1 позволяют оценить, насколько эффективно каждая из исследованных нейросетей справляется с задачей классификации, а также определить их дос-
тоинства и недостатки.
Нейронные сети ResNet и VGG-19 демонстрируют высокую долю верно классифицированных зон земной поверхности, достигая точности более 99%. Это свидетельствует о том, что данные архитектуры успешно извлекают ключевые характеристики из изображений, что позволяет им делать довольно точные прогнозы. Нейросеть ResNet благодаря своей глубокой архитектуре с использованием остаточных блоков эффективно справляется с задачами классификации даже при работе с большими объемами данных. Нейросеть VGG-19 известна своей простотой и высокой производительностью: использование множества слоев с малыми фильтрами позволяет ей достигать высокой точности.
Модели InceptionV3 и MobileNet также показывают отличные результаты, достигая точности, близкой к 99%. InceptionV3 использует сложную архитектуру с параллельными сверточными слоями, что позволяет ей эффективно обрабатывать изображения с различными масштабами классифицируемых образов. Нейросеть модели MobileNet, разработанная для мобильных устройств, сочетает в себе высокую точность и низкие вычислительные затраты, что делает ее привлекательной для задач, требующих быстрой обработки данных.
Сверточная нейросеть ConvNet уступает другим исследуемым моделям, достигая точности в районе 92,75%. Это может быть связано с ограниченной глубиной архитектуры и меньшей способностью извлекать сложные характеристики из изображений. Тем не менее, ConvNet может быть полезна в условиях ограниченных вычислительных ресурсов.
Таким образом, две модели – ResNet и VGG-19 – оказались наиболее эффективными решениями для классификации изображений, в то же время InceptionV3 и MobileNet также демонстрируют высокую точность, что делает их пригодными для использования в аналогичных задачах.
Сверточные модели нейросетей являются востребованным инструментом в задачах бортового экологического контроля [10–15]. Особенно в случаях, где требуется обеспечить как высокое быстродействие системы, так и высокие показатели качества классификации.
Полученные результаты подчеркивают важность выбора подходящей архитектуры нейросетевой модели для конкретной задачи.
Заключение
В настоящей работе были обучены, протестированы и оценены несколько нейросетевых моделей классификации отдельных зон земной поверхности по типам на основе обработки соответствующих снимков. В результате, модели ResNet и VGG-19 продемонстрировали превосходную точность, достигая доли верно классированных изображений более чем 99%.
Результаты исследования имеют существенное значение для анализа изображений земной поверхности в различных видах практической деятельности, таких как контроль окружающей среды, картографирование растительного покрова, городское планирование и оперативное реагирование на стихийные бедствия.
Точная классификация типов зон позволяет принимать решения и распределять ресурсы в автоматизированном режиме работы. Результаты настоящего исследования о функциональных возможностях различных нейросетевых моделей позволяют сформулировать технические рекомендации для реализации средств бортового контроля в конкретных аппаратно-программных комплексах, способных функционировать в полевых условиях в режиме реального времени.
Финансовая поддержка
Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации, соглашение № FSRF-2023-0003 «Фундаментальные основы построения помехозащищенных систем космической и спутниковой связи, относительной навигации, технического зрения и аэрокосмического мониторинга».
ЛИТЕРАТУРА
Агеев С. В., Михайлов И. С., Ширяева Г. Н. Анализ методов машинного обучения для классификации земной поверхности при помощи спутниковых снимков // Геоинформатика, 2016. С. 30–49.
Перемитина Т. О., Ященко И. Г. Методы анализа спутниковых данных: применение нейронных сетей для кластеризации и оценки состояния окружающей среды // Вестник Томского государственного университета. Химия, 2024. № 36. С. 218–223.
Фомина Е. С. Оценка эффективности применения специализированных нейронных сетей для повышения разрешения изображений, получаемых при дистанционном зондировании Земли // Системы управления, связи и безопасности, 2023. № 3. C. 71–90.
https://doi.org/10.24412/2410-9916-2023-3-71-90.
Li H., Dou X., Tao C., Wu Z., Chen J., Peng J., Deng M., Zhao L. RSI-CB: A large-scale remote sensing image classification benchmark using crowdsourced data // Sensors, 2020. V. 20. No. 6. PP. 1594–1618.
El-Sayed A. et al. Assessing the potential of machine learning algorithms for land cover classification using remote sensing data // Remote Sensing, 2019. V. 11, No. 9.
PP. 1153–1176.
Adegun, A. A., Viriri S., Tapamo J-R. Review of deep learning methods for remote sensing satellite images classification: experimental survey and comparative analysis //Journal of Big Data, 2023. V. 10. No. 93.
https://doi.org/10.1186/s40537-023-00772-x.
Mayani M., Itagi R. Machine learning techniques in land cover classification using remote sensing data // 2nd International Conference on Intelligent Engineering and Management (ICIEM) PP. 1–5. https://doi.org/10.1109/CONIT51480.2021.9498434.
Verma N., Lamb D., Reid N., Wilson B. A comparative study of land cover classification
techniques for “Farmscapes” using very high resolution remotely sensed data // Photogrammetric Engineering and Remote Sensing, 2014. V. 80. No. 5. PP. 461–470. https://doi.org/10.14358/PERS.80.5.461.Thasveen M., Suresh S. Land – Use and Land – Cover classification methods: a review // 2021 Fourth International Conference on Microelectronics, Signals & Systems (ICMSS). https://doi.org/10.1109/ICMSS53060.2021.9673623.
Fan Z et al. Land cover classification of resources survey remote sensing images based on segmentation model // IEEE Access, 2022. V. 10. PP. 56267–56281.
https://doi.org/10.1109/ACCESS.2022.3175978. Irfan A., Li Y., E X., Sun G. Land Use and Land Cover classification with deep learning-based fusion of SAR and optical data // Remote Sensing, 2025. V. 17. No. 7. 1298. https://doi.org/10.3390/rs17071298.
Ненашев В. А., Ханыков И. Г. Формирование комплексного изображения земной
поверхности на основе кластеризации пикселей локационных снимков в многопозиционной
бортовой системе // Информатика и автоматизация, 2021. Т. 20, № 2. С. 302–340.
DOI 10.15622/ia.2021.20.2.3.
Ненашев В.А., Сенцов А. А. Пространственно-распределенные системы радиолокационного
и оптического мониторинга // Санкт-Петербург: ГУАП, 2022. 191 с.
Nenashev V. A., Khanykov I. G. Formation of fused images of the land surface from radar and optical images in spatially distributed on-board operational monitoring systems // Journal of Imaging, 2021. Vol. 7, No. 12. DOI 10.3390/jimaging7120251.
Залищук А. А., Ненашев В. А. Разработка системы для распознавания людей по изображениям земной поверхности // GraphiCon 2024: Материалы
34-й Международной конференции по компьютерной графике и машинному зрению, Омск,
17–19 сентября 2024 года. Омск: Омский государственный технический университет,
2024. С. 544–1550. DOI 10.25206/978-5-8149-3873-2-2024-544-550.
А. Залищук, В. Ненашев, к. т. н., А. Сенцов, к. т. н., М. Беликов
В статье представлен сравнительный анализ методов глубокого обучения для классификации зон земной поверхности на основе обработки изображений. Описываются процессы подготовки данных для обучения, выбора признаков и настройки архитектуры нейросетевой модели для классификации.
Результаты настоящего исследования показывают высокую долю верно классифицированных зон земной поверхности при использовании рассмотренных методов. Практическая значимость заключается в обеспечении автоматизированного бортового экологического контроля за земной поверхностью в авиационных и космических системах
с техническим зрением в режиме реального времени.
ВВЕДЕНИЕ
Классификация зон земной поверхности на основе обработки изображений, полученных как со спутников, так и с авиационных систем бортового контроля, представляет собой одну из ключевых задач обработки и анализа больших данных в этой сфере. С увеличением количества доступных изображений земной поверхности довольно высокого разрешения, обусловленным развитием космических и авиационных средств контроля и снижением стоимости их эксплуатации, возрастает потребность в разработке новых автоматизированных и интеллектуальных методов обработки и анализа собираемой цифровой визуальной информации. Обработка большого объема информации оператором
в ручном режиме является неэффективным и трудоемким процессом, что вызывает необходимость внедрения автоматизированных и интеллектуальных нейросетевых средств, способных справляться с этой задачей в режиме реального времени [1].
Современные методы классификации отдельных зон земной поверхности основываются на использовании технологий технического зрения и глубокого обучения нейронных сетей. Эти методы позволяют автоматически выделять ключевые признаки на изображениях, что значительно повышает точность и скорость классификации по сравнению с традиционными подходами, основанными на ручном выделении признаков. Целью настоящего исследования является разработка системы анализа изображений земной поверхности на основе использования методов глубокого обучения нейронных сетей. Основное внимание уделяется созданию модели, способной классифицировать изображения дистанционного зондирования по различным классам с высокой долей верно классифицированных зон земной поверхности, то есть модель должна обладать высокой «точностью».
Постановка задачи
Для извлечения значимой информации из больших объемов данных изображений земной поверхности необходимо реализовать интеллектуальный анализ снимков с применением нейросетевых технологий и средств глубокого обучения. Ручная интерпретация большого объема данных занимает значительное количество времени и является субъективной оценкой, что непрактично для анализа, особенно в условиях постоянно растущих объемов информации и задач, требующих оперативного решения [2]. Снимки земной поверхности содержат множество деталей, которые могут быть интерпретированы по-разному в зависимости от опыта и знаний специалиста-оператора системы бортового контроля. Следовательно, существует острая необходимость в разработке автоматизированного решения, которое способно точно классифицировать снимки на основе их содержания, минимизируя при этом влияние человеческого фактора и увеличивая скорость обработки большого объема данных.
В рамках настоящего исследования решается задача создания точной и достоверной модели классификации различных зон на изображениях, которая может справиться со сложностями и вариациями, присутствующими на снимках земной поверхности. Современные методы глубокого обучения и искусственного интеллекта, такие как сверточные нейронные сети (СНС), активно применяются для автоматизированного анализа зон и объектов, представленных на снимках. При этом особое внимание уделяется повышению эффективности и точности анализа изображений земной поверхности. Таким образом, разработка автоматизированных систем для анализа снимков представляет собой важный шаг в направлении повышения качества и скорости обработки потоковых цифровых визуальных данных, собираемых средствами бортового контроля зон земной поверхности [3]. Это не только сокращает время, необходимое для анализа, но и повышает точность и объективность получаемых результатов, что делает их более полезными для принятия оперативных решений.
Описание набора данных
В настоящем исследовании в качестве входных данных использован набор изображений RSI-CB256 [4], представляющий собой обширную и тщательно структурированную коллекцию снимков земной поверхности, специально созданную для их анализа. Этот набор включает в себя изображения высокого качества, полученные из различных источников, таких как современные датчики спутников и моментальные снимки Google Maps, что обеспечивает разнообразное представление различных ландшафтов, включая городские территории, сельскохозяйственные угодья и водные зоны. Благодаря такому разнообразию данный набор данных позволяет учитывать широкий спектр сценариев и условий, что делает его универсальным инструментом для автоматизированного и интеллектуального анализа больших данных, собираемых о земной поверхности.
Кроме того, RSI-CB256 включает в себя четыре отдельных класса (водная поверхность – 26,6%, лесной массив – 26,7%, пустыня – 20,1% и облачные зоны – 26,6%), каждый из которых соответствует уникальной категории снимков земной поверхности. Данные классы охватывают различные типы земной поверхности и объектов, что позволяет более точно настраивать модели глубокого обучения нейросетей для решения задач классификации.
RSI-CB256 является исходным ресурсом для реализации различных нейросетей в ходе их глубокого обучения, валидации и тестирования. Использование данного набора позволяет не только обучать нейросетевые модели на разнообразных цифровых визуальных данных с целью оценки параметров качества их классификации, но и проводить сравнительный анализ их быстродействия.
Это особенно важно при решении задач бортового контроля зон земной поверхности, где точность и достоверность классификации играют ключевую роль. Благодаря своей структуре и качеству, набор данных RSI-CB256 становится незаменимым инструментом для разработки новых систем и улучшения существующих методов анализа изображений земной поверхности.
Обработка данных
Перед тем, как приступить к обучению нейросетевых моделей, требуется оценить выбранный набор данных, чтобы убедиться в его качестве и пригодности для решения поставленной задачи. Первым шагом в этом процессе является анализ распределения данных по классам. Для этого количество изображений в каждом классе визуализируется с помощью столбчатой диаграммы (рис. 1).
Такой подход позволяет оценить сбалансированность данных и выявить возможные дисбалансы, которые могут повлиять на процесс обучения нейросетевой модели. Например, если один из классов содержит значительно больше изображений, предназначенных для обучения, чем другие, то это может привести к смещению корректности обучения модели в сторону этого класса, что негативно скажется на ее способности верно классифицировать данные о зонах земной поверхности других классов [5].
После предварительного анализа данных, следующим шагом является подготовка и разбивка наборов данных на две отдельные выборки для обучения и тестирования нейросетевой модели. Эти выборки сохраняются в виде двух отдельных каталогов в рабочей директории. Такое разделение позволяет обеспечить независимость тестовой выборки, что важно для объективной оценки качества модели. Тренировочная выборка применяется для непосредственного обучения нейросетевой модели, а тестовая – в целях проверки ее способности обобщать данные и оценки ее эффективности на новых изображениях, которые не использовались в процессе обучения. Это помогает избежать переобучения и убедиться, что нейросетевая модель способна работать с новыми данными.
Для полноценного обучения и тестирования нейросетевой модели в работе используются два класса ImageDataGenerator. Первый экземпляр этого класса применяет различные методы аугментации данных, такие как поворот, сдвиг, масштабирование и смещение. Это позволяет увеличить разнообразие данных, предназначенных для обучения, и улучшить способность нейросетевой модели классифицировать различные типы земной поверхности.
Например, аугментация помогает модели лучше распознавать различные зоны на изображениях, даже в случаях если они повернуты, смещены или частично скрыты. Второй инструмент ImageDataGenerator используется только для масштабирования данных, что необходимо для приведения изображений к единому формату, подходящему для обработки нейронной сетью [6–9]. Такой подход позволяет эффективно подготовить данные для обучения и тестирования модели, обеспечивая высокие метрики качества классификации зон земной поверхности.
Кроме того, важно учитывать, что аугментация данных не только увеличивает объем тренировочной выборки, но и помогает модели стать более устойчивой к изменениям в данных, что особенно важно в задачах технического зрения. Например, если модель обучается на изображениях, снятых при разных условиях освещения или с разных ракурсов, аугментация позволяет ей лучше адаптироваться к таким вариациям. Это делает модель более универсальной и пригодной для использования в реальных условиях на борту системы контроля.
Таким образом, процесс подготовки тренировочных данных и их анализ является важным этапом перед реализацией глубокого обучения нейросетевой модели.
Он включает в себя не только визуализацию и оценку сбалансированности данных, но и их аугментацию, а также разделение на тренировочную и тестовую выборки. Все эти шаги направлены на то, чтобы обеспечить высокое качество обучения нейросетевой модели и реализовать ее способность корректно работать с новыми данными, ранее не участвовавшими в обучении, то есть, как правило, в реальных полевых условиях.
Результаты экспериментов
После обучения требуется оценить эффективность различных нейросетевых моделей, осуществляющих классификацию зон земной поверхности на основе использования уже тестовых выборок. Для этой оценки выбраны показатели потерь – loss и точности – accuracy. В табл. 1 представлены полученные показатели каждой из исследуемых нейросетевых моделей.
Данные табл. 1 позволяют оценить, насколько эффективно каждая из исследованных нейросетей справляется с задачей классификации, а также определить их дос-
тоинства и недостатки.
Нейронные сети ResNet и VGG-19 демонстрируют высокую долю верно классифицированных зон земной поверхности, достигая точности более 99%. Это свидетельствует о том, что данные архитектуры успешно извлекают ключевые характеристики из изображений, что позволяет им делать довольно точные прогнозы. Нейросеть ResNet благодаря своей глубокой архитектуре с использованием остаточных блоков эффективно справляется с задачами классификации даже при работе с большими объемами данных. Нейросеть VGG-19 известна своей простотой и высокой производительностью: использование множества слоев с малыми фильтрами позволяет ей достигать высокой точности.
Модели InceptionV3 и MobileNet также показывают отличные результаты, достигая точности, близкой к 99%. InceptionV3 использует сложную архитектуру с параллельными сверточными слоями, что позволяет ей эффективно обрабатывать изображения с различными масштабами классифицируемых образов. Нейросеть модели MobileNet, разработанная для мобильных устройств, сочетает в себе высокую точность и низкие вычислительные затраты, что делает ее привлекательной для задач, требующих быстрой обработки данных.
Сверточная нейросеть ConvNet уступает другим исследуемым моделям, достигая точности в районе 92,75%. Это может быть связано с ограниченной глубиной архитектуры и меньшей способностью извлекать сложные характеристики из изображений. Тем не менее, ConvNet может быть полезна в условиях ограниченных вычислительных ресурсов.
Таким образом, две модели – ResNet и VGG-19 – оказались наиболее эффективными решениями для классификации изображений, в то же время InceptionV3 и MobileNet также демонстрируют высокую точность, что делает их пригодными для использования в аналогичных задачах.
Сверточные модели нейросетей являются востребованным инструментом в задачах бортового экологического контроля [10–15]. Особенно в случаях, где требуется обеспечить как высокое быстродействие системы, так и высокие показатели качества классификации.
Полученные результаты подчеркивают важность выбора подходящей архитектуры нейросетевой модели для конкретной задачи.
Заключение
В настоящей работе были обучены, протестированы и оценены несколько нейросетевых моделей классификации отдельных зон земной поверхности по типам на основе обработки соответствующих снимков. В результате, модели ResNet и VGG-19 продемонстрировали превосходную точность, достигая доли верно классированных изображений более чем 99%.
Результаты исследования имеют существенное значение для анализа изображений земной поверхности в различных видах практической деятельности, таких как контроль окружающей среды, картографирование растительного покрова, городское планирование и оперативное реагирование на стихийные бедствия.
Точная классификация типов зон позволяет принимать решения и распределять ресурсы в автоматизированном режиме работы. Результаты настоящего исследования о функциональных возможностях различных нейросетевых моделей позволяют сформулировать технические рекомендации для реализации средств бортового контроля в конкретных аппаратно-программных комплексах, способных функционировать в полевых условиях в режиме реального времени.
Финансовая поддержка
Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации, соглашение № FSRF-2023-0003 «Фундаментальные основы построения помехозащищенных систем космической и спутниковой связи, относительной навигации, технического зрения и аэрокосмического мониторинга».
ЛИТЕРАТУРА
Агеев С. В., Михайлов И. С., Ширяева Г. Н. Анализ методов машинного обучения для классификации земной поверхности при помощи спутниковых снимков // Геоинформатика, 2016. С. 30–49.
Перемитина Т. О., Ященко И. Г. Методы анализа спутниковых данных: применение нейронных сетей для кластеризации и оценки состояния окружающей среды // Вестник Томского государственного университета. Химия, 2024. № 36. С. 218–223.
Фомина Е. С. Оценка эффективности применения специализированных нейронных сетей для повышения разрешения изображений, получаемых при дистанционном зондировании Земли // Системы управления, связи и безопасности, 2023. № 3. C. 71–90.
https://doi.org/10.24412/2410-9916-2023-3-71-90.
Li H., Dou X., Tao C., Wu Z., Chen J., Peng J., Deng M., Zhao L. RSI-CB: A large-scale remote sensing image classification benchmark using crowdsourced data // Sensors, 2020. V. 20. No. 6. PP. 1594–1618.
El-Sayed A. et al. Assessing the potential of machine learning algorithms for land cover classification using remote sensing data // Remote Sensing, 2019. V. 11, No. 9.
PP. 1153–1176.
Adegun, A. A., Viriri S., Tapamo J-R. Review of deep learning methods for remote sensing satellite images classification: experimental survey and comparative analysis //Journal of Big Data, 2023. V. 10. No. 93.
https://doi.org/10.1186/s40537-023-00772-x.
Mayani M., Itagi R. Machine learning techniques in land cover classification using remote sensing data // 2nd International Conference on Intelligent Engineering and Management (ICIEM) PP. 1–5. https://doi.org/10.1109/CONIT51480.2021.9498434.
Verma N., Lamb D., Reid N., Wilson B. A comparative study of land cover classification
techniques for “Farmscapes” using very high resolution remotely sensed data // Photogrammetric Engineering and Remote Sensing, 2014. V. 80. No. 5. PP. 461–470. https://doi.org/10.14358/PERS.80.5.461.Thasveen M., Suresh S. Land – Use and Land – Cover classification methods: a review // 2021 Fourth International Conference on Microelectronics, Signals & Systems (ICMSS). https://doi.org/10.1109/ICMSS53060.2021.9673623.
Fan Z et al. Land cover classification of resources survey remote sensing images based on segmentation model // IEEE Access, 2022. V. 10. PP. 56267–56281.
https://doi.org/10.1109/ACCESS.2022.3175978. Irfan A., Li Y., E X., Sun G. Land Use and Land Cover classification with deep learning-based fusion of SAR and optical data // Remote Sensing, 2025. V. 17. No. 7. 1298. https://doi.org/10.3390/rs17071298.
Ненашев В. А., Ханыков И. Г. Формирование комплексного изображения земной
поверхности на основе кластеризации пикселей локационных снимков в многопозиционной
бортовой системе // Информатика и автоматизация, 2021. Т. 20, № 2. С. 302–340.
DOI 10.15622/ia.2021.20.2.3.
Ненашев В.А., Сенцов А. А. Пространственно-распределенные системы радиолокационного
и оптического мониторинга // Санкт-Петербург: ГУАП, 2022. 191 с.
Nenashev V. A., Khanykov I. G. Formation of fused images of the land surface from radar and optical images in spatially distributed on-board operational monitoring systems // Journal of Imaging, 2021. Vol. 7, No. 12. DOI 10.3390/jimaging7120251.
Залищук А. А., Ненашев В. А. Разработка системы для распознавания людей по изображениям земной поверхности // GraphiCon 2024: Материалы
34-й Международной конференции по компьютерной графике и машинному зрению, Омск,
17–19 сентября 2024 года. Омск: Омский государственный технический университет,
2024. С. 544–1550. DOI 10.25206/978-5-8149-3873-2-2024-544-550.
Отзывы читателей
