Tree Detection and Diameter Estimation Based on Deep Learning

要約

樹木の認識は、自律的な林業運営に不可欠な構成要素です。
現在の開発では、通常、ライダー センサーからの入力データを考慮して、森林のナビゲーション、樹木の検出、および直径の推定の問題を解決しています。
一方、ディープ ラーニング アルゴリズムと組み合わせたカメラは、通常、種の分類や森林の異常検出に対応します。
いずれの場合も、データが利用できないことと森林の多様性が、自律システム向けの深層学習の開発を抑制します。
そのため、視覚ベースの方法の可能性を評価するために、バウンディング ボックス、セグメンテーション マスク、およびキーポイント検出のために、2 つの密に注釈が付けられた画像データセット (43k 合成、100 実) を提案します。
当社のデータセットでトレーニングされたディープ ニューラル ネットワーク モデルは、木の検出で 90.4%、木のセグメンテーションで 87.2% の精度を達成し、センチメートル単位の正確なキーポイント推定を達成しています。
他のフォレスト データセットでモデルをテストするときのモデルの一般化可能性と、さまざまなデータセット サイズとアーキテクチャの改善によるスケーラビリティを測定します。
全体として、実験結果は、自律的な樹木伐採作業やその他の応用林業問題に向けた有望な手段を提供します。
この記事のデータセットと事前トレーニング済みモデルは、\href{https://github.com/norlab-ulaval/PercepTreeV1}{GitHub} (https://github.com/norlab-ulaval/PercepTreeV1) で公開されています。

要約(オリジナル)

Tree perception is an essential building block toward autonomous forestry operations. Current developments generally consider input data from lidar sensors to solve forest navigation, tree detection and diameter estimation problems. Whereas cameras paired with deep learning algorithms usually address species classification or forest anomaly detection. In either of these cases, data unavailability and forest diversity restrain deep learning developments for autonomous systems. So, we propose two densely annotated image datasets – 43k synthetic, 100 real – for bounding box, segmentation mask and keypoint detections to assess the potential of vision-based methods. Deep neural network models trained on our datasets achieve a precision of 90.4% for tree detection, 87.2% for tree segmentation, and centimeter accurate keypoint estimations. We measure our models’ generalizability when testing it on other forest datasets, and their scalability with different dataset sizes and architectural improvements. Overall, the experimental results offer promising avenues toward autonomous tree felling operations and other applied forestry problems. The datasets and pre-trained models in this article are publicly available on \href{https://github.com/norlab-ulaval/PercepTreeV1}{GitHub} (https://github.com/norlab-ulaval/PercepTreeV1).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google