Многие камрады по старинке протирают дыры в мониторах, накладывая ПГМ на современные спутники. Метод рабочий, но трудозатратный: глаз замыливается, мелкие распашки пропускаются, а перспективные «пятна» кажутся просто дефектами съемки.
Но что, если я скажу, что за выходные можно «просканировать» целый район области, не выходя из-за стола? Сегодня мы разберем технологию, которая превращает ваш домашний ПК в поисковый штаб. Мы будем «скармливать» карты нейросетям.
Почему глаз поисковика проигрывает алгоритму?
Человеческий мозг склонен видеть то, что он хочет видеть. Мы ищем прямоугольники фундаментов там, где их нет, и пропускаем едва заметные изменения цвета почвы (так называемые «высветы»), которые выдают органику и битый кирпич.
Нейросеть работает беспристрастно. Она анализирует текстуру, градиент и микрорельеф. Для неё нет «подозрительного места» — есть набор пикселей, который на 98% совпадает с паттерном жилой застройки 300-летней давности.
Шаг 1: Подготовка «сырья». Где брать карты, от которых у ИИ не закипят мозги?
ИИ бесполезен на размытых скриншотах из Яндекс.Карт. Нам нужна детализация 30–50 см на пиксель. Если картинка будет «мыльной», нейросеть примет куст за фундамент, а яму — за распаханную корчму.
Инструментарий: Используем SAS.Planet. Это база.
- Выбор слоев: Не ограничивайтесь Google. Часто лучшую картинку по весенней распашке дает Bing (Satellite) или Esri (ArcGIS Imagery). У Bing специфические фильтры, которые лучше подсвечивают известняк и кирпичную крошку.
- Зум (Z): Качаем строго в z19 или z20. Это избыточно для глаза, но идеально для обучения детектора.
- Склейка: Сохраняйте фрагменты в формате .GeoTIFF. Это важно: так в файле сохраняются координаты. Если вы найдете «жирную» точку, вы сможете в один клик перенести её в навигатор.
Аналитика из личного опыта: По статистике, 70% успеха — это дата съемки. Ищите слои, сделанные в мае или октябре. Отсутствие высокой травы и листвы — ваш главный союзник.
Шаг 2: Выбираем «Мозг». Почему Picterra, а не самописный код?
Можно поднять Python и библиотеку TensorFlow, но мы здесь собрались клад искать, а не код писать. Поэтому идем на Picterra.
Это облачная платформа машинного зрения. Она позволяет создать Custom Detector(пользовательский детектор) без единой строчки кода. У сервиса есть бесплатный триал, которого хватит, чтобы «прогнать» пару-тройку урочищ и понять, стоит ли оно того.
Шаг 3: Обучение. Как «объяснить» машине, что такое урочище?
Это самый медитативный и важный этап. Вы выступаете в роли учителя.
- Создание Training Area: Выделяете на карте участки, которые вы точно знаете как жилые (например, уже выбитые вами деревни).
- Разметка объектов: Инструментом «Polygon» обводите аномалии: характерные прямоугольники, скопления камней, изменения цвета грунта. Нужно разметить минимум 15–20 таких объектов.
- Отрицательные примеры: Обязательно покажите ИИ, что искать не нужно: стога сена, тени от деревьев, вымоины от ручьев. Это снизит количество ложных срабатываний (фантомов).
Шаг 4: Анализ и «просеивание» результатов
После запуска алгоритма система выдаст вам карту с отмеченными полигонами. Не спешите бежать за прибором. Теперь включаем аналитику:
- Плотность находок: Если ИИ нашел один «фундамент» посреди чистого поля в 10 км от воды — скорее всего, это глюк.
- Привязка к ландшафту: Сверяем точки с рельефом. Старые поселения всегда тяготеют к воде (даже если ручей пересох 100 лет назад) и возвышенностям.
Практические рекомендации для камрадов
- Не кормите ИИ всем подряд. Сначала выделите перспективный квадрат (например, по картам Шуберта или Менде), и только его прогоняйте через нейросеть.
- Используйте разные спектры. Если есть доступ к инфракрасным снимкам (Sentinel-2), используйте их. Вегетационный индекс (NDVI) отлично показывает, где почва более плотная из-за фундаментов — там трава растет иначе.
- Проверка «ногами». ИИ дает наводку, но чешую из-под катушки вынимаете вы. Первые 5–10 выездов будут учебными: вы поймете, на что нейросеть реагирует ложно, и сможете уточнить модель обучения.
Вывод
Машинное зрение не заменит удачу и опыт, но оно экономит сотни часов бесцельных поездок «на удачу». Мы живем в эпоху, когда спутник видит глубже, чем кажется. Используйте технологии, пока конкуренты до сих пор пытаются совместить карты в фотошопе по линейке.
Понравился такой разбор? Я планирую протестировать еще три сервиса распознавания объектов и сравнить их эффективность в полях.
Подписывайтесь на канал «Дядя с прибором», чтобы не пропустить отчеты с реальных выездов по координатам, которые мне выдал искусственный интеллект. В следующей статье покажу, что мы нашли на первой «нейросетевой» точке!
#поискмонет #металлоискатель #кладоискательство #нейросети #карты #sasplanet #археология #хобби #технологии