Lyhytosoite: syke.fi/hankkeet/EnvAI
Tulokset
Vieraslajien tunnistaminen maa- ja vesialueilta käyttäen edullisia ilma-aluksia ja optista kuvantamista on edelleen haastavaa yli 20 m lentokorkeuksilta, kun kuva resoluutio on 3-5 mm ja vaikka käytettiin yhdenmukaisia lennätysohjeita. Suurikokoisen jättipalsamin tunnistaminen ja erottaminen muista lajeista 15-20 m lentokorkeudelta onnistui käyttäen semanttista segmentointia parhaiten FCN -mallilla (Fully Convolution Network). Pienikokoisen isosorsimon erottaminen järviruokosta tai muista lajeista ei onnistunut 3-5 mm kuvaresoluutiolla. Opetusaineiston tuottaminen on edelleen arvokkain osa palvelutuotannossa. Opetusaineisto kyettiin tuottamaa noin 50 % nopeammin sekä edullisemmin kuin 2019 tehdyssä hankkeessa, kun erilaisia pilviekosysteemipalveluita testattiin ennen kuvien segmentointia. Kuvien segmentoinnista joukkoistamisen eri muotoja kokeiltiin mutta niillä ei saavutettu riittävää laatua. Laskennassa kokeiltiin useita teholaskentapalveluita myös CSC:n, mutta kustannussyistä päädyttiin käyttämään kaupallisia pilviekosysteemejä. Menetelmän edelleen kehittäminen vaatisi, että se validoitaisiin asiaankuuluvassa ympäristössä (TRL-5).
Tieteellinen artikkeli sekä siihen liittyvä avoin opetusaineisto julkaistaan kun artikkeli hyväksytään.
Tavoitteet
- Tuotetaan avointa ja korkealaatuista opetusaineistoa konenäkömallille eri menetelmillä.
- Parannetaan konenäkömallia ja arvioidaan erilaisia opetustapoja (lisääminen ”augmentation” ja hienovirittäminen ”fine-tuning”, näin voidaan myös hyödyntää jo olemassa olevaa aineistoa.
- Tutkitaan, miten opetusaineistoa tulee tuottaa jatkossa mallin laajennettavuuden parantamiseksi.
- Tutkitaan vaikuttavien muuttujien, kuten lentokorkeus, vaikutusta tunnistuksen luotettavuuteen.
- Opetetaan valittuja kohteita koneelle hyväksi todetulla tavalla.
- Arvioidaan menetelmän luotettavuutta kahdella koealueella, esim. isosorsimo Pirkanmaa.
Kuvassa segementoitua vesikasvillisuutta vuonna 2020 Hausjärveltä, n. 15 m lentokorkeudelta (3-5 mm resoluutio). Lumpeeen tunnistaminen kuvasta onnistuu hyvin, mutta isosorsimon ja järviruokon erottaminen toisistaa on haastavaa. Opetusaineiston tuottaminen on hidasta ja arvokasta. © Kuva: Jari Silander
Tausta
Teknologian avulla voidaan tunnistaa kuva-aineistosta automaattisesti näkyviä kohteita, kuten tietyt vieras-, uhanalais- ja vesikasvilajit sekä elinympäristöjä niin maa-, vesi- kuin liikennealueilla. Konenäön laajamittaisemmaksi hyödyntämiseksi tarvitaan kestävä tapa tuottaa tehokkaasti eri tarkoituksiin soveltuvaa opetusaineistoa. Näin voidaan vieraslajien ja vesikasvien kartoittaminen suorittaa tehokkaasti, mikä mahdollistaa menetelmän laajemman käyttämisen eri tarkoituksiin esimerkiksi biomassa arviointiin.
Ympäristöministeriö rahoitti 2017 hankeen nimeltä Konenäkö ympäristötiedon tuotannossa (EnVision), joka osoitti, että maastokartoitusta voidaan tehdä konenäön avulla. Hankkeen jälkeen käynnistettiin hallituksen kärkihanke nimeltä "Tekoäly ja IoT- vesiriskien ja vesivarojen hallinnassa (2019-2020, ÄlyVesi)". Ilma-aluskuvauksia tehtiin Suomessa 69 ja Virossa 39 lentoa yli 30 eri lajista, käyttäen pääosin optista kuvantamista lentokorkeuksilta 3 – 20 m. Konenäkömallin luotettavuus on yleenäs suuri, mutta opetusaineiston laatua kuvaa paremmin leikkauksen ja union osamäär (IoU), mikä tulisi olla riittävän suuri 0.6-0.8 käyttötarkoituksesta riippuen. Yhdenmukaisten tulosten saaminen eri kuvaajien toimesta vaati konenäkömallin sekä opetusaineiston laadun parantamista aineiston hyödynnettävyyden parantamiseksi.
Menetelmät
Tutkimuksissä käytetään muun muassa luokittelua, kuvatunnistuksen menetelmiä ja ohjatun opettamisen menetelmiä.
Kirjallisuutta
Lisätietoja
- Johtava asiantuntij Jari Silander, puh: +358 295 251 638, etunimi.sukunimi@ymparisto.fi