ДЕТЕКЦИЯ ОСОБЕЙ ОЛЕНЕЙ НА ИЗОБРАЖЕНИЯХ ДЛЯ УЧЕТА ЧИСЛЕННОСТИ ПОПУЛЯЦИЙ МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ

  • Sergei N. Tereshchenko ФГБОУ Новосибирский государственный университет экономики и управления http://orcid.org/0000-0003-2309-8445
  • Alexander L. Osipov ФГБОУ Новосибирский государственный университет экономики и управления http://orcid.org/0000-0002-1809-9147
  • Ekaterina D. Moiseeva ФГБОУ Новосибирский государственный университет экономики и управления http://orcid.org/0000-0001-6417-9503
Ключевые слова: графические изображения, оленеводство, аугментация, нейронные сети, искусственный интеллект, детекция объектов

Аннотация

Цель. Распознавание особей оленей по их графическим изображениям на основе моделей сверточной нейронной сети.

Методы и материалы исследования. Материалом для исследований послужили размеченные изображения оленей в разных ареалах обитания, опубликованные в открытом доступе. Методы исследования: теория проектирования и разработка систем искусственного интеллекта; аугментации изображений для задач компьютерного зрения; алгоритмы настройки гиперпараметров для обучения моделей нейронной сети.

Результаты. Сохранение популяции оленей – одна из важных целей в экологии и сельском хозяйстве. Контроль численности особей влияет на сохранение редких видов оленей, и поддерживает объемы производства на фермах. Например, таким методом контроля может являться детекция особей оленей на фотографиях. Для точного определения и подсчета количества оленей можно использовать такой инструмент как нейронная сеть.

В работе использовались методы глубокого обучения сверточных нейронных сетей, а также концепция «transfer learning». На базе сети Faster R-CNN Resnet50 была обучена нейронная сеть, позволяющая с точностью 0,91 на тестовой выборке по метрике F1-score с пороговым значением 0.6 (совпадения площади предсказанной разметки и фактической) определять наличие отдельных особей на изображениях.

Заключение. Для решения задачи обнаружения оленей  подготовлен набор данных, включающий более 30 тыс. изображений, с разметками отдельных особей. Разметка каждой особи включала координаты ограничивающего прямоугольника на изображении. На основе этой информации с помощью программных средств была разработана и обучена модель нейронной сети для решения задачи детекции объектов особей оленей на изображениях. Проведенные эксперименты показали, что точность обнаружения с аугментацией в соответствии с показателем F1-score с пороговым значением 0.6 на обучающей выборке составила 0,96, а на тестовой выборке составила 0,91.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Sergei N. Tereshchenko, ФГБОУ Новосибирский государственный университет экономики и управления

заведующий кафедрой «Прикладная информатика», доцент, кандидат технический наук

Alexander L. Osipov, ФГБОУ Новосибирский государственный университет экономики и управления

доцент, кандидат технический наук

Ekaterina D. Moiseeva, ФГБОУ Новосибирский государственный университет экономики и управления

студент

Литература

Список литературы

Понимание концепций IU и IoU (Intersection over Union) в глубоком обучении и реализации программ на Python / Русские Блоги. URL: https://russianblogs.com/article/4211133576/ (дата обращения: 22.03.2022).

Современная история таймырской популяции дикого северного оленя: динамика, управление, угрозы и пути сохранения / Серия Экологические исследования. URL: http://journals.krc.karelia.ru/index.php/ecology/article/view/1045 (дата обращения: 22.03.2022).

Терещенко С.Н., Перов А.А., Осипов А.Л. Определение заболеваний маниока методами компьютерного зрения // Siberian Journal of Life Sciences and Agriculture. 2021. Т. 13. № 1. С. 144-155. https://doi.org/10.12731/2658-6649-2021-13-1-144-155

Терещенко С.Н., Перов А.А., Осипов А.Л. Классификация внекорневых заболеваний яблоневых культур методами компьютерного зрения // Siberian Journal of Life Sciences and Agriculture. 2021. Т. 13. № 3. С. 103-118. https://doi.org/10.12731/2658-6649-2021-13-3-103-118

Численность охотничьих ресурсов / Федеральное государственное бюджетное учреждение "Федеральный центр развития охотничьего хозяйства". URL: http://www.ohotcontrol.ru/resource/number/ (дата обращения: 22.03.2022).

Region of interest pooling explained / Deepsense.ai. URL: https://deepsense.ai/region-of-interest-pooling-explained/ (дата обращения: 22.03.2022).

Kilgo J.C., Ray H.S., Vukovich M., Goode M.J., Ruth C. Predation by coyotes on white-tailed deer neonates in South Carolina // Journal of Wildlife Management, 2012, vol. 76(7), pp. 1420-1430. https://doi.org/10.1002/jwmg.393

Loe L.E., Mysterud A., Veiberg V., Langvatn R. Negative density-dependent emigration of males in an increasing red deer population // Proc Biol Sci., 2009, vol. 276(1667), pp. 2581-2587. https://doi.org/10.1098/rspb.2009.0224

Lyubing Zhang, Eric I. Ameca y Juárez, Zhigang Jiang. Viability analysis of the wild sika deer (Cervus nippon) population in China: Threats of habitat loss and effectiveness of management interventions // Journal for Nature Conservation, 2018, vol. 43, pp. 117-125. https://doi.org/10.1016/j.jnc.2018.02.014

Mariana B. Nagy-Reis, Mark A. Lewis, William F. Jensen, Mark S. Boyce. Conservation Reserve Program is a key element for managing white-tailed deer populations at multiple spatial scales // Journal of Environmental Management, 2019, vol. 248. https://doi.org/10.1016/j.jenvman.2019.109299

Marrett D. Grund, Alan Woolf. Development and evaluation of an accounting model for estimating deer population sizes // Ecological Modelling, 2004, vol. 180, no. 2-3, pp. 345-357. https://doi.org/10.1016/j.ecolmodel.2004.04.025

Region Proposal Network (RPN) — Backbone of Faster R-CNN. URL: https://medium.com/egen/region-proposal-network-rpn-backbone-of-faster-r-cnn-4a744a38d7f9 (дата обращения: 22.03.2022).

Michelle H.G. Wong Yanni Mo, Bosco Pui Lok Chan. Past, present and future of the globally endangered Eld’s deer (Rucervus eldii) on Hainan Island, China // Global Ecology and Conservation, 2021, vol. 26. https://doi.org/10.1016/j.gecco.2021.e01505

Challenges / Reindeer Herding. URL: https://reindeerherding.org/challenges (дата обращения: 22.03.2022).

Herders / Reindeer Herding. URL: https://reindeerherding.org/herders (дата обращения: 22.03.2022).

Tereshchenko S.N., Moiseeva E.D. Computer vision for determining the fraction of proppant for hydraulic fracturing // Proceedings - 2021 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM, 17-21 May 2021, pp. 742–746. https://doi.org/10.1109/ICIEAM51226.2021.9446381

Tereshchenko S.N., Osipov A.L., Moiseeva E.D. Determining the Number of Wheatears on the Images of Wheat Fields by the Computer Vision Method // Optoelectronics, Instrumentation and Data Processing, 2022, vol. 58(3), pp. 266-272. https://doi.org/10.3103/S8756699022030074

Tereshchenko S.N., Perov A.A., Osipov A.L. Features of Applying Pretrained Convolutional Neural Networks to Graphic Image Steganalysis // Optoelectronics, Instrumentation and Data Processing, 2021, vol. 57(4), pp. 419-425. https://doi.org/10.3103/S8756699021040117

Faster RCNN Object detection. URL: https://towardsdatascience.com/faster-rcnn-object-detection-f865e5ed7fc4 (дата обращения: 22.03.2022).

Zini V., Wäber K., Hornigold K. et al. Human and environmental associates of local species-specific abundance in a multi-species deer assemblage // Eur J Wildl Res, 2021, vol. 67, 99. https://doi.org/10.1007/s10344-021-01539-6

References

Understanding the concepts of IU and IoU (Intersection over Union) in deep learning and program implementation in Python / Russian Blogs. URL: https://russianblogs.com/article/4211133576/ (accessed 22.03.2022).

Modern history of the Taimyr wild reindeer population: dynamics, management, threats and ways of conservation / Ecological Research Series. URL: http://journals.krc.karelia.ru/index.php/ecology/article/view/1045 (accessed 22.03.2022).

Tereshchenko S.N., Perov A.A., Osipov A.L. Determination of cassava diseases by computer vision methods. Siberian Journal of Life Sciences and Agriculture, 2021, vol. 13, no. 1, pp. 144-155. https://doi.org/10.12731/2658-6649-2021-13-1-144-155

Tereshchenko S.N., Perov A.A., Osipov A.L. Classification of foliar diseases of apple crops by computer vision methods. Siberian Journal of Life Sciences and Agriculture, 2021, vol. 13, no. 3, pp. 103-118. https://doi.org/10.12731/2658-6649-2021-13-3-103-118

The number of hunting resources / Federal State Budgetary Institution “Federal Center for the Development of Hunting Economy”. URL: http://www.ohotcontrol.ru/resource/number/ (accessed 22.03.2022).

Region of interest pooling explained / Deepsense.ai. URL: https://deepsense.ai/region-of-interest-pooling-explained/ (accessed 22.03.2022).

Kilgo J.C., Ray H.S., Vukovich M., Goode M.J., Ruth C. Predation by coyotes on white-tailed deer neonates in South Carolina. Journal of Wildlife Management, 2012, vol. 76(7), pp. 1420-1430. https://doi.org/10.1002/jwmg.393

Loe L.E., Mysterud A., Veiberg V., Langvatn R. Negative density-dependent emigration of males in an increasing red deer population. Proc Biol Sci., 2009, vol. 276(1667), pp. 2581-2587. https://doi.org/10.1098/rspb.2009.0224

Lyubing Zhang, Eric I. Ameca y Juárez, Zhigang Jiang. Viability analysis of the wild sika deer (Cervus nippon) population in China: Threats of habitat loss and effectiveness of management interventions. Journal for Nature Conservation, 2018, vol. 43, pp. 117-125. https://doi.org/10.1016/j.jnc.2018.02.014

Mariana B. Nagy-Reis, Mark A. Lewis, William F. Jensen, Mark S. Boyce. Conservation Reserve Program is a key element for managing white-tailed deer populations at multiple spatial scales. Journal of Environmental Management, 2019, vol. 248. https://doi.org/10.1016/j.jenvman.2019.109299

Marrett D. Grund, Alan Woolf. Development and evaluation of an accounting model for estimating deer population sizes. Ecological Modelling, 2004, vol. 180, no. 2-3, pp. 345-357. https://doi.org/10.1016/j.ecolmodel.2004.04.025

Region Proposal Network (RPN) — Backbone of Faster R-CNN. URL: https://medium.com/egen/region-proposal-network-rpn-backbone-of-faster-r-cnn-4a744a38d7f9 (accessed 22.03.2022).

Michelle H.G. Wong Yanni Mo, Bosco Pui Lok Chan. Past, present and future of the globally endangered Eld’s deer (Rucervus eldii) on Hainan Island, China. Global Ecology and Conservation, 2021, vol. 26. https://doi.org/10.1016/j.gecco.2021.e01505

Challenges / Reindeer Herding. URL: https://reindeerherding.org/challenges (accessed 22.03.2022).

Herders / Reindeer Herding. URL: https://reindeerherding.org/herders (accessed 22.03.2022).

Tereshchenko S.N., Moiseeva E.D. Computer vision for determining the fraction of proppant for hydraulic fracturing. Proceedings - 2021 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM, 17-21 May 2021, pp. 742–746. https://doi.org/10.1109/ICIEAM51226.2021.9446381

Tereshchenko S.N., Osipov A.L., Moiseeva E.D. Determining the Number of Wheatears on the Images of Wheat Fields by the Computer Vision Method. Optoelectronics, Instrumentation and Data Processing, 2022, vol. 58(3), pp. 266-272. https://doi.org/10.3103/S8756699022030074

Tereshchenko S.N., Perov A.A., Osipov A.L. Features of Applying Pretrained Convolutional Neural Networks to Graphic Image Steganalysis. Optoelectronics, Instrumentation and Data Processing, 2021, vol. 57(4), pp. 419-425. https://doi.org/10.3103/S8756699021040117

Faster RCNN Object detection. URL: https://towardsdatascience.com/faster-rcnn-object-detection-f865e5ed7fc4 (accessed 22.03.2022).

Zini V., Wäber K., Hornigold K. et al. Human and environmental associates of local species-specific abundance in a multi-species deer assemblage. Eur J Wildl Res, 2021, vol. 67, 99. https://doi.org/10.1007/s10344-021-01539-6


Просмотров аннотации: 112
Загрузок PDF: 75
Опубликован
2024-04-30
Как цитировать
Tereshchenko, S., Osipov, A., & Moiseeva, E. (2024). ДЕТЕКЦИЯ ОСОБЕЙ ОЛЕНЕЙ НА ИЗОБРАЖЕНИЯХ ДЛЯ УЧЕТА ЧИСЛЕННОСТИ ПОПУЛЯЦИЙ МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ. Siberian Journal of Life Sciences and Agriculture, 16(2), 431-449. https://doi.org/10.12731/2658-6649-2024-16-2-710
Раздел
Междисциплинарные исследования