Automatic counting of mounds on UAV images: combining instance segmentation and patch-level correction

要約

マウンドによる造成は、マウンドと呼ばれる植栽マイクロサイトを機械的に形成することで、樹木の生育条件を向上させる一般的な造林処理である。植栽地造成の次に重要なのは、マウンドの数を数えることであり、これにより森林管理者は所定の植林ブロックに必要な苗木の数を正確に推定することができます。墳丘墓の数は、一般的に林業従事者の手作業による現地調査によってカウントされていますが、特に広大な面積の場合、コストがかかり、誤差が生じやすいという問題があります。そこで本研究では、無人航空機（UAV）の画像処理とコンピュータビジョンの技術を活用し、植林地の杭の数を正確に推定する新しいフレームワークを提案します。提案するフレームワークは2つの主要な要素で構成される。まず、ピクセルベースのセグメンテーションによる複数のオブジェクト検出のためのディープラーニングアルゴリズムに基づく視覚認識手法を利用する。これにより、目に見えるマウンドの予備的なカウントと、その他のよく見られるオブジェクト（木、がれき、水の蓄積など）を使用して、植栽ブロックを特徴付けることができます。第二に、視覚認識はいくつかの妨害要因（例：マウンドの浸食、オクルージョン）によって制限される可能性があるため、第一段階で抽出したブロックの局所特性に基づいて、マウンドの最終数を予測する機械学習推定関数を採用する。提案するフレームワークを、様々な特徴を持つ多数の植栽ブロックを表現した新しいUAVデータセットで評価した。提案手法は、相対的な計数精度の点で手動計数手法を上回り、困難な状況において有利かつ効率的に計数できる可能性があることが示された。

要約(オリジナル)

Site preparation by mounding is a commonly used silvicultural treatment that improves tree growth conditions by mechanically creating planting microsites called mounds. Following site preparation, the next critical step is to count the number of mounds, which provides forest managers with a precise estimate of the number of seedlings required for a given plantation block. Counting the number of mounds is generally conducted through manual field surveys by forestry workers, which is costly and prone to errors, especially for large areas. To address this issue, we present a novel framework exploiting advances in Unmanned Aerial Vehicle (UAV) imaging and computer vision to accurately estimate the number of mounds on a planting block. The proposed framework comprises two main components. First, we exploit a visual recognition method based on a deep learning algorithm for multiple object detection by pixel-based segmentation. This enables a preliminary count of visible mounds, as well as other frequently seen objects (e.g. trees, debris, accumulation of water), to be used to characterize the planting block. Second, since visual recognition could limited by several perturbation factors (e.g. mound erosion, occlusion), we employ a machine learning estimation function that predicts the final number of mounds based on the local block properties extracted in the first stage. We evaluate the proposed framework on a new UAV dataset representing numerous planting blocks with varying features. The proposed method outperformed manual counting methods in terms of relative counting precision, indicating that it has the potential to be advantageous and efficient in difficult situations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL