Разработка высокоточной технологии определения параметров лесных массивов Aeroforest
ЗаказчикКлиенты — ведущие компании лесозаготовки: ООО СФК (Сибирский Фанерный Комбинат) и группа
Цели и задачи
Разработка новой технологии стартовала благодаря запросу нашего клиента. История нашего сотрудничества с компанией СФК насчитывает не один проект. Ранее для клиента мы разработали сайт, кастомную CRM, а отдел 1С помог автоматизировать внутренние процессы.
В 2021 г. клиент обратился к нам с проблемой: компании было необходимо оперативно собирать, обновлять и анализировать информацию о лесных участках и породах деревьев. Приняв во внимание удаленность и масштабы участков, мы предложили клиенту использовать беспилотные летательные аппараты (БПЛА) для сбора данных, а результаты представлять в удобной визуальной форме для выбора перспективных площадок для рубки.
На момент запроса выбор участков для рубки производился в ручном режиме. Этот процесс очень трудоемкий и времязатратный, ведь требуется организовать логистику и обеспечить условия проживания для сотрудников. К тому же люди проводят исследование в разы медленнее, по сравнению с БПЛА, а результаты крайне подвержены влиянию человеческого фактора.
Цель: повысить эффективность процесса лесозаготовки за счет оптимального выбора участков.
Задачи:
- Разработать технологию, которая позволит определять породы деревьев с помощью БПЛА и алгоритмов машинного обучения;
- Сократить время сбора и повысить точность информации об участках для рубки, используя данные съемки с БПЛА;
- Реализовать возможность представления полученных данных в удобном формате интерактивных карт.
Решение
Первым шагом к разработке стало изучение и анализ множества научных статей на тему съемки и распознавания объектов с помощью БПЛА. Для аэрофотосъемки с использованием мультиспектральной камеры (ее данные позволяют различать породы деревьев) мы привлекли нашего партнера-подрядчика.
Затем мы разработали технологию, которая по съемке с мультиспектральной и обычной камер выделяет отдельные деревья и вычисляет признаки этих деревьев. По выделенным признакам модель машинного обучения предсказывает породу, а затем для каждой породы своя модель машинного обучения оценивает запас древесины.
Особенности проекта
Полевой сбор данных. Разработка алгоритма потребовала проведения полевого сбора данных. Точность предсказания модели зависит от объема и качества обучающей выборки. Поэтому после проведения аэрофотосъемки, наши специалисты вручную собрали информацию об образцах деревьев (порода, высота, обхват на уровне груди и ширина кроны), сопоставив каждый объект со снимками с беспилотника.
Сбор осложняется тем, что не к каждому дереву легко подойти — мешают естественные преграды в виде кустов, высокой травы и самих деревьев (ветви). Также специалист должен уметь ориентироваться на местности и соотносить снимки сверху с реальным расположением объектов на земле, что также не всегда просто. Поэтому для сбора полевых данных мы разработали собственное мобильное приложение. В приложение загружается набор фотографий с БПЛА с координатами. Текущее местоположение устройства отслеживается и отображается на карте. Пользователи могут добавлять метки различных классов, которые синхронизируются между всеми устройствами, показывая общее количество каждого класса меток. Каждые несколько минут приложение записывает текущее местоположение в логи.
Несмотря на вспомогательные меры, сбор полевых данных для обучения модели занял у нашей команды около 1,5 месяцев кропотливой работы.
Результат
У нас получилось разработать технологию определения параметров лесных массивов, которая позволила снизить убытки клиента при выборе участка для лесозаготовки на 30% и сократить время принятия решений в 10 раз. Наша разработка способствует увеличению объективности данных о лесных участках благодаря применению искусственного интеллекта и мультиспектральной съемке с БПЛА. Вся информация представляется в виде подробных интерактивных карт, которые можно использовать в веб-интерфейсе. На картах представлены актуальные данные, к которым можно получить доступ как онлайн, так и оффлайн.
Использование БПЛА обеспечивает возможность выполнения работ по сбору данных на обширных и отдаленных территориях, а также оперативный сбор данных на обширных участках с минимальным вмешательством человека, что гарантирует точность и достоверность исходных данных. Разработанный метод оценки лесных ресурсов позволяет детализировать информацию о запасах древесины при выборе участков для вырубки.
За 3 года работы на проекте с СФК мы исследовали для клиента более 13000 га леса в Алтайском крае, собрали 6 000 модельных деревьев и разработали алгоритм, определяющий породный состав на основании данных с беспилотников с 85% точностью, запас — с 95% точностью.
В 2023 году мы начали сотрудничество с группой ИЛИМ, отсняли более 2500 га леса в Иркутской области, собрали 2000 модельных деревьев. В результате, наша команда не только улучшила алгоритм, но и успешно реализовала проект по разделению хвойных деревьев на породы.
Стек технологий
- Python, R;
- специализированный софт.
Команда проекта
- Научный руководитель
- Ведущий CV-разработчик
- ML-разработчик
- Инженер
Полный текст статьи читайте на CMS Magazine
