Результат интеллектуальной деятельности: Интеллектуальная космическая система для мониторинга лесного фонда

Предлагаемое изобретение относится к области средств и технологий дистанционного зондирования Земли, а именно к применению результатов дистанционного зондирования Земли для мониторинга лесов.

В качестве ближайшего аналога предлагаемого изобретения может быть выбрана основанная на использовании нейронной сети система получения и обработки космических снимков, предложенная в заявке на изобретение CN 10 7 945 146, Univ. Nanjing Information Science & Tech., публикация 2018 г. Система из CN 10 7 945 146 включает совокупность компьютерных средств, структурированных на основе свёрточной нейронной сети, связанных с космическими аппаратами дистанционного зондирования Земли программы LandSat и научно-исследовательским космическим аппаратом Aqua с аппаратурой дистанционного зондирования Земли Modis. Свёрточная нейронная сеть обеспечивает получение итоговых изображений, сформированных на базе изображений, принятых от космического аппарата дистанционного зондирования Земли, и уточняющих данных дистанционного зондирования Земли. В свою очередь, в нашем изобретении предложено применить технические возможности свёрточной нейронной сети для решения более узкой задачи – мониторинга лесного фонда для отслеживания изменений леса и их классификации (контроль вырубок, ветровалов и гарей), с обеспечением быстроты обработки данных и задействовании меньшего количества вычислительных ресурсов.

Таким образом, нами предложена интеллектуальная космическая система мониторинга, включающая совокупность компьютерных средств на основе свёрточной нейронной сети, позволяющих обрабатывать данные с космических аппаратов дистанционного зондирования Земли Ресурс-П, Канопус-В, космических аппаратов компании Planet Labs (Dove, RapidEye) и использовать данные с прибора Modis научно-исследовательского космического аппарата Aqua . Отличие от аналога заключается в структуре нейронной сети, использовании данных с космических аппаратов дистанционного зондирования Земли типа Ресурс-П, Канопус-В. Свёрточная нейронная сеть обрабатывает изображения объектов лесного фонда, принятые от космических аппаратов дистанционного зондирования Земли указанных типов, с формированием методом скользящего окна прямоугольных матриц пикселей изображения с заданным шагом – кропов, генерацию нескольких отображений для каждой прямоугольной матрицы путём поворота и зеркального отображения с сегментацией каждого отображения средствами свёрточной нейронной сети и его классификацией средствами свёрточной нейронной сети в качестве одного из объектов лесного фонда с использованием уточняющих данных аппаратуры дистанционного зондирования Земли Modis и получением итогового изображения, классифицированного в качестве одного из объектов лесного фонда.

Предложенная система поясняется следующими изображениями:

фиг. 1 – схема алгоритма распознавания и классификации изменений лесного фонда;

фиг. 2 – архитектура свёрточной нейронной сети с отображением последовательности операций кодировки и декодировки;

фиг. 3 – разбиение исходного снимка на куски фиксированного размера методом скользящего окна.

Спутниковые снимки лесного фонда, полученные с космических аппаратов Канопус-В, Ресурс-П, Planet Labs поступают на вход свёрточной нейронной сети (фиг. 1). В настоящее время используются спутниковые снимки в уровне обработки 4А - комплексированное изображение панхроматического (уровня обработки 2А) и многоспектрального (уровня обработки 2А1) снимков одной и той же территории. Применение свёрточной нейронной сети в предлагаемой архитектуре позволит быстрее выполнять обработку данных за счёт меньшего количество операций и времени, необходимых для выполнения одного прохода сети, нейронная сеть менее требовательна к техническим ресурсам, а также позволяет выполнять обработку в режиме близком к реальному времени. Применение космических аппаратов Канопус-В и Ресурс-П позволит задействовать при мониторинге лесного фонда данные дистанционного зондирования Земли высокого и сверхвысокого разрешения.

Архитектуру предложенной свёрточной сети можно описать (фиг. 2) как совокупность последовательностей блоков кодировки и декодировки. Блоки кодировки уменьшают пространственное разрешение исходного изображения в данном случае разрешение кропов – прямоугольных матриц пикселей изображения. Блоки декодировки увеличивают пространственное разрешение, объединяя входные данные с картами признаков полученных с помощью метода проброса из блоков кодировки соответствующего разрешения, что обеспечивает ансамблирование результатов всех слоёв и разрешений.

Блок кодировки представляет собой набор из трёх функциональных подблоков (операций над картами признаков): слой свёртки, функция активации ReLU, слой субдискретизации. Блок декодировки представляет собой набор из четырёх функциональных подблоков (набор из двух последовательностей двух операций): слой свёртки, функция активации ReLU. Слой свёртки включает свой фильтр для каждого канала, ядро свёртки которого обрабатывает предыдущий слой по фрагментам, суммируя результаты матричного произведения для каждого фрагмента, и обозначается свёртка ([k×k], m, n), где k×k – размер ядра свёртки, m и n количество входных и выходных фильтров для слоя соответственно. Функция активации ReLU, представляющая собой функцию max(0,x) ReLU=x, позволяет избежать проблем затухающего и взрывающегося градиента, а также является вычислительно несложной, cкалярный результат каждой свертки попадает на функцию активации. Слой субдискретизации (слой подвыборки) представляет собой нелинейное уплотнение карты признаков, при этом группа точек (обычно размера 2×2) уплотняется до одной точки, проходя нелинейное преобразование. Наиболее употребительна при этом функция максимума. Преобразования затрагивают непересекающиеся прямоугольники или квадраты, каждый из которых ужимается в одну точку, при этом выбирается точка, имеющая максимальное значение. Операция пулинга (то есть, если на предыдущей операции свёртки уже были выявлены некоторые признаки, то для дальнейшей обработки настолько подробное изображение уже не нужно, и оно уплотняется до менее подробного и служит для генерации новых карт признаков большей размерности) позволяет существенно уменьшить пространственный объём изображения.

Блок декодировки результата представляет собой набор из четырёх функциональных подблоков (последовательных операций): пространственное исключение – выключает слой нейронов с вероятностью p; слой свёртки с ядром 1х1 – необходим для уменьшения размерности карты признаков; функция активации – скалярный результат каждой свёртки попадает на функцию активации, которая представляет собой нелинейную функцию sigmoid=1/(1+e^-x), позволяющая усиливать слабые сигналы и не насыщаться от сильных сигналов; линейное увеличение размерности – операция обратная субдискретизации, то есть линейное повторение карты признаков, каждая точка преобразуется в группу точек 2×2, проходя линейное преобразование, преобразования затрагивают все точки, каждая из которых превращается в группу точек, при этом они имеют одинаковое значение, данная операция позволяет увеличить объём изображения.

Для обработки принятых спутниковых снимков методом скользящего окна формируют кропы – прямоугольные матрицы пикселей изображения (фиг. 3), кропы формируют с заданным шагом, для чего задают размеры скользящего окна H_SW×W_SW, задают шаг скользящего окна – S_H пикселей по вертикали и S_W пикселей по горизонтали; исходное изображение I с высотой H и шириной W дополняют по краям до размера кратного размерам скользящего окна; из дополненного изображения с шагом S_H×S_W формируют матрицы пикселей – кропы размера H_SW×W_SW. Предложено использовать H_SW=W_SW=512 пикселей для обеспечения с одной стороны попадания достаточно крупных объектов в один кроп, что позволит достичь заданной точности, и практической возможности создания программной реализации, с другой стороны, поскольку размер окна напрямую определяет размер слоя нейронной сети, увеличение которого ведет к увеличению требований к размеру памяти и скорости работы аппаратного обеспечения и экспоненциальному увеличению времени обучения. Также, предложено использовать шаг S_H=H_SW/2=256 пикселей и S_W=W_SW/2=256 пикселей для обеспечения наложения кропов друг на друга таким образом, чтобы край одного кропа совпадал с центром смежного с ним, что позволит избежать конфликтов на краях кропов при восстановлении сегментации всего снимка из сегментаций отдельных кропов.

Для каждой прямоугольной матрицы – кропа генерируют несколько отображений путём поворота и зеркального отображения исходного изображения. Предложено генерировать восемь отображений на каждый кроп, то есть вариации отображения исходного куска с помощью операций поворота на угол π/2 и зеркального отображения. То есть, для кропа изображения С (φ(x) – поворот на угол π/2, ψ(x) – зеркальное отображение) множество из восьми отображений O модно представить, как O={C, φ(C), φ(φ(C)), φ(φ(φ(C))), ψ(C), ψ(φ(C)), ψ(φ(φ(C))), ψ(φ(φ(φ(C))))}. Средствами свёрточной нейронной сети получают карту сегментов для каждого отображения с последующей классификацией в качестве одного из объектов лесного фонда для чего через нейронную сеть пропускают исходный кроп C с итоговой функцией получения предсказания P=h(C) на кроп изображения C. В результате, на выходе сегментации свёрточной нейронной сети получается набор из восьми (для рассматриваемого примера) карт вероятности того, что каждая точка исходного кропа может быть классифицирована, как изменения лесного фонда, а также восемь вероятностей принадлежности к таким изменениям лесного фонда, как гарь, вырубка, ветровал.

К полученному набору карт вероятности применяются операции обратного отображения (поворота на –π/2 и зеркального отображения) с целью получения прообразов используемых образов применительно к выходным картам вероятности. При x=ψ(ψ(x)) и x=φ^-1(x)=φ(φ(φ(x))), искомое множество O_p имеет вид O_p={P₁, φ^-1(φ^-1(φ^-1(P₂))), φ^-1(φ^-1(P₃)), φ^-1(P₄), ψ(P₅), ψ(φ^-1(φ^-1(φ^-1(P₆)))), ψ(φ^-1(φ^-1(P₇))), ψ(φ^-1(P₈))}. С помощью усреднения предсказаний уточняют границы полученных сегментов. Итоговое предсказание для каждой точки кропа изображения для предложенного варианта вычисляется по следующей формуле P_итог(i,j)=Σ_k=1⁸P_k(i,j)/8. Данный подход позволяет улучшить результаты сегментации, полученные на предыдущем этапе. Объединив полученные пересекающиеся карты предсказаний с помощью взвешенной суммы, используя в качестве весов двумерное распределение Гаусса с нулем в центре кропа и среднеквадратичным отклонением σ=H_SW/2·3=~85, вычисленное в точках соответствующих центрам пикселей кропа, чтобы получить сегментацию исходного изображения. Это позволит устранить конфликты и артефакты на границах кропов, так как для каждого пикселя наибольший вклад в его значение внесет тот кроп, к центру которого он ближе находится, а вклад крайних точек кропа составит ~0,2. К полученному набору вероятностей принадлежности к классам применяется операция усреднения. Полученный результат подаётся в качестве одного из признаков в классификатор на базе логистической регрессии, предусматривающий также использование агрегатированных метеоданных и данных пожаров аппаратуры Modis спутника Aqua за период времени между датой снимка и предполагаемой датой возникновения изменения лесного фонда.