ВЫЯВЛЕНИЕ ПРОМЫШЛЕННЫХ ЗДАНИЙ И СООРУЖЕНИЙ НА СПУТНИКОВЫХ СНИМКАХ МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ

​IDENTIFICATION OF INDUSTRIAL BUILDINGS AND STRUCTURES ON SATELLITE IMAGES USING COMPUTER VISION METHODS

Amanzhanov Khalel

Student, Astrakhan State University,

Russia, Astrakhan

Alexander Marenkov

scientific supervisor, candidate of technical sciences, associate Professor, Astrakhan State University,

Russia, Astrakhan

АННОТАЦИЯ

Цель данной статьи состоит в том, чтобы научиться выявлять контуры зданий на спутниковых снимках. В статье рассматриваются классические методы выявления контуров зданий, а также методы, включающие машинное обучение. В ходе работы разработан новый метод детектирования.

ABSTRACT

The goal of this article is to learn how to identify building outlines in satellite images. The article discusses classical methods for detecting building outlines, as well as methods that involve machine learning. In the course of the work, a new detection method has been developed.

Ключевые слова: компьютерное зрение, нейронные сети, промышленные здания.

Keywords: computer vision, Neural Networks, Industrial Buildings.

Введение

Задача выявления промышленных зданий и сооружений методом компьютерного зрения имеет большое значение в современном обществе. Цель работы состоит в том, чтобы научиться выявлять контуры зданий на спутниковых снимках, применяя существующие методы, а также разработать новый метод.

Методы, рассмотренные в данной статье, позволяют автоматически обнаруживать и анализировать контуры объектов на спутниковых снимках, что может быть полезно для многих отраслей, таких как геодезия, строительство, городское планирование, экология и многое другое. [4, с. 23] Так, использование компьютерного зрения позволяет быстро обнаруживать изменения в промышленных объектах, контролировать их состояние и улучшать процессы обслуживания и ремонта. Таким образом, метод компьютерного зрения играет важную роль в повышении эффективности и безопасности промышленных объектов, а также в обеспечении устойчивого развития общества. По данным исследования РБК [9], с 2018 по 2024 год объем отечественного рынка решений в этой сфере увеличится в пять раз до 38 млрд рублей. Наибольшую долю в нем занимают решения в области наблюдения за объектами и их безопасности — 32%, промышленности — 17%, медицины — 14%, торговли — 10%.

Методы поиска контуров объекта на изображении

Существует довольно большое количество методов поиска контуров объекта на изображении, использующие в своей основе различный математический аппарат.

1 Классические методы обнаружения контуров

Метод Канни

В 1986 году Джон Канни разработал детектор границ, который был оптимален по трем критериям: низкая частота ошибок, правильная локализация, и скорость детектирования [1, с. 5]

Алгоритм состоит из нескольких шагов. Первый шаг-сглаживание. Он используется, когда необходимо уменьшить шум, чтобы избежать ложных границ. Для этого часто используется размытие по Гауссу или медианная фильтрация на рис 1, 2 [1, с. 50]

Рисунок 1. Размытие                      Рисунок 2. Медианная

по Гауссу                                   фильтрация

Следующие два этапа обнаружение градиента и подавление не-максимальных значений. Сначала находится общий градиент яркости. Для поиска общего градиента используется оператор Собеля [2, с. 20]. Последний этап-двойная пороговая фильтрация.; детектор границ Канни использует два порога-нижний и верхний. На рис. 3 и 4 результат работы метода Канни.

Рисунок 3. Метод Канни для первого изображения

Рисунок 4. Метод Канни для второго изображения

Метод Канни имеет такие преимущества как быстрая скорость работы метода, но имеет следующие недостатки: Настройка параметров для выделения нужных объектов

Метод Робертса

Метод Робертса [5, с. 50; 6, с. 60] является классическим алгоритмом для обнаружения границ на изображениях. Метод Робертса включает в себя вычисление разностей между интенсивностями между двумя пикселями, с помощью двух масок. Результаты работы алгоритма можно видеть на рис 5,6.

Рисунок 5. Метод Робертса для первого изображения

Рисунок 6. Метод Робертса для второго изображения

Преимущества: Простота реализации, низкая вычислительная сложность, эффективен для выделения резких контуров.

Недостатки: Чувствителен к шуму, может создавать ложные контуры, не обеспечивает информацию об ориентации контура

2 Нейронные сети

Контуры на изображениях можно выделять с помощью нейронных сетей, применяя методы глубокого обучения. Одним из наиболее популярных подходов для этой цели является использование сверточных нейронных слоев CNN [8, c. 120], и пулинг слоев [7, c. 80]. В качестве необходимой модели существует модель U-Net, состоящая из нескольких сверточных слоев и пулинг слоев. Модель обучается на датасете из сайта Kaggle.com [10]

После обучения модели в качестве входного изображения использован снимок в зимнее время рис 7. На выходе виден результат выявления контуров зданий рис 8.

Рисунок 7.                                          Рисунок 8.

Входное изображение.                      Выходное изображение.

Преимущества нейронных сетей: высокая точность детектирования объектов. Обладают свойством обнаружения объектов независимо от их положения в изображении.

Недостатки: Высокая вычислительная сложность: Тренировка и внедрение нейронных сетей требуют значительных вычислительных ресурсов. Большие объемы данных. Так же видны неточности при выделении отдельно взятого объекта на рис. 8.

Заключение

Рассмотренные выше методы имеют следующие недостатки 1) На данных изображениях нет координат нужных объектов. Задачей является именно детектирование, т.е. выделение координат объектов. Так же можно увидеть неточности при выделении краев объекта на рис. 5,6,8.

Для решения выше перечисленных задач разработана методика детектирования, включающая в себя несколько этапов:

1 этап. Сбор большего количества размеченных данных. Данные можно найти на таких сайтах как Kaggle, Data.gov, DataHub.Так же спутниковые снимки можно найти в Google и Yandex.

2 этап. Реализация новой модели нейронной сети на размеченных данных.

3 этап. Обучение модели на размеченных данных.

Список литературы:

1. Ehsan Akbari Sekehravani Research gate : сайт. – URL: https://www.researchgate.net/publication/341051272_Implementing_canny_edge_detection_algorithm_for_noisy_image (дата обращения: 27.04.2024)
2. Сойникова Е.С. Рябых М.С. Батищев Д.С Синюк В.Г. Михелев В.М. Метод обнаружения границ на медицинмких изображениях // Киберленика: сайт. – URL: https://cyberleninka.ru/article/n/vysokoproizvoditelnyy-metod-obnaruzheniya-granits-na-meditsinskih-izobrazheniyah/viewer (дата обращения: 28.04.2024)
3. Binghui Wei, Zhi Liu,The Effective Particles Edge Detection Method Based on Laplace // ScienceDirect : сайт. – URL: https://www.sciencedirect.com/science/article/pii/S1877705812004572 (дата обращения: 28.04.2024)
4. Object detection using Gabor filters // Researchgate : сайт. – URL: https://www.researchgate.net/publication/222484575_Object_detection_using_Gabor_filters (дата обращения: 28.04.2024)
5. Nalini. K. Ratha Anil K. Jain Sridhar Lakshmanan // Object Detection in the Presence of Clutter Using Gabor Filters : сайт. – URL: https://www.researchgate.net/publication/2814242_Object_Detection_in_the_Presence_of_Clutter_Using_Gabor_Filters (дата обращения: 28.04.2024)
6. Е.П. Петров, Н.Л. Харина , К.Н. Чукаев Метод выделения контуров объектов на спутниковых снимках минимальными вычислительными ресурсами // Институт космических исследований Российской академии наук : сайт. – URL: http://jr.rse.cosmos.ru/article.aspx?id=1554 (дата обращения: 28.04.2024)
7. JinWei Tao, Jing Zhi Cai, HaiLong Xie, Xin Ma. Based on Otsu thresholding Roberts edge detection algorithm research // Researchgate : сайт. – URL: https://www.researchgate.net/publication/266648919_Based_on_Otsu_thresholding_Roberts_edge_detection_algorithm_research (дата обращения: 28.04.2024)
8. Anish Mahendran Automated Building Identification from Satellite Imagery // communitywolfram : сайт. – URL: https://community.wolfram.com/groups/-/m/t/1142221 (дата обращения: 28.04.2024)
9. Электронный ресурс: сайт – URL: https://trends.rbc.ru/trends/futurology/5f3694d09a7947716f0b6eb3  (дата обращения 21.10.24)
10. Электронный ресурс сайт – URL: [https://www.kaggle.com/datasets/tekbahadurkshetri/building-mapping ] (дата обращения 21.10.24)