Аспирант Инженерной школы информационных технологий и робототехники ТПУ Кристиан Мачука приехал в Томск из Южной Америки и влюбился в Россию настолько, что захотел помочь спасению хвойных лесов. Разработку он презентовал на Science Slam в Томском политехе. Над созданием и обучением нейросети Кристиан работал в составе исследовательской группы вместе с Иваном Керчевым и Ольгой Токаревой под руководством профессора отделения информационных технологий ИШИТР ТПУ Николая Маркова.
«Представьте себя в центре хвойного леса. Вы чувствуете покой и умиротворение. Запах хвои наполняет ноздри. И пение птичек звучит как музыка. Но этот лес находится под угрозой атаки армии мелких разрушительных созданий, известных как короеды. Они атаковали лес, пожирая его изнутри и оставляя после себя мертвые стволы и ветки. Эти разрушения ощущают не только деревья, но и животный мир. Но еще не поздно действовать, мы еще можем спасти лес. Сейчас я расскажу вам, как», — начал свое выступление Кристиан Мачука.
Молодой ученый подчеркивает: только в России площадь лесов составляет около 800 миллионов гектаров. Это значит, что примерно 50 % нашей страны покрыто лесами — это площадь 26 Томских областей. Из них примерно 60 % — хвойные.
«Мы можем сказать, что территория, равная половине площади Томской области, поражена жуками. Поэтому оценка здоровья лесов является очень важной и актуальной задачей, это поможет принять правильные меры для защиты лесов», — продолжает аспирант.
Кристиан отмечает, что полевые работы для оценки степени поражения деревьев короедом не всегда эффективны или достаточны, потому что этот метод требует много времени, обученных профессионалов и может быть опасен в труднодоступных местах. Второй метод — это дистанционное зондирование с помощью спутников, и этот метод тоже имеет свои недостатки: низкое разрешение, не позволяющее идентифицировать деревья по одному, и зависимость от атмосферных условий, а также дороговизна. Поэтому аспирант предложил использовать методы компьютерного зрения.
«Что такое компьютерное зрение? Очень просто: это когда компьютеры могут видеть и понимать изображение или видео так же, как мы делаем нашими глазами. Но как мы можем дать компьютеру зрение? С помощью мощных нейронных сетей. И мы разработали не одну, а три нейросети. Они решают задачу семантической сегментации — это процесс, при котором изображение разделяется на несколько частей, и каждой части присваивается определенная категория», — поясняет молодой ученый.
Для нейросети Кристина можно использовать фото, сделанные дронами. Такие изображения дешевле спутниковых, а дроны, в отличие от человека, могут легко попасть в труднодоступные места.
Для определения внешнего вида крон зараженных деревьев на снимках сверху молодой ученый использует шкалу повреждения деревьев, разработанную энтомологами на основе полевых работ и визуального анализа. Это шкала включает пять классов: условно здоровое, свежезаселенное, с усохшей вершиной, свежий сухостой и старый сухостой.
«Таким образом мы можем идентифицировать каждое дерево на ранних стадиях повреждений и принимать меры для их защиты, определить, какие деревья нам надо вылечить или вырубить. Например, деревья, помеченные зеленым, здоровы, желтым — больные, но их можно вылечить. Отмеченные фиолетовым и коричневым — больны, но их очень трудно вылечить, поэтому их следует вырубить. И деревья в белом цвете уже мертвы», — пояснил аспирант.
Еще одно преимущество предложенного метода — скорость обработки изображений. На создание карты зараженных деревьев небольшой площади консервативными методами тратится больше месяца, а на сегментирование карты нейронными сетями — несколько секунд. Созданная аспирантом нейронная сеть MH-Res-U-Net может сгенерировать карты сегментации с точностью до 90%. Для ее обучения Кристиан использовал более 10 тысяч изображений, создание эталонных карт заняло полгода.