Automated Segmentation and Deep Learning Approach for Bark Beetle Detection under Data-Scarcity Conditions

Bc. Terézia Fialová

Diplomová práce

Anotace:

Kalamity spôsobené lykožrútom mali v posledných rokoch výrazný vplyv na ekosystémy a hospodárstvo, pričom sa očakáva, že v dôsledku klimatickej zmeny bude počet kalamít narastať. Monitorovanie pomocou diaľkového prieskumu zeme ponúka sľubný nástroj na monitorovanie lesov vo veľkom meradle, čo umožňuje detekciu a odstránenie napadnutých stromov skôr, než sa lykožrút rozšíri ďalej. To si však vyžaduje spoľahlivé automatizované metódy schopné skorej detekcie, ktoré zatiaľ nedosiahli výkon dostatočný na praktické použitie. Hlboké učenie posunulo vpred mnohé úlohy diaľkového prieskumu zeme, ale jeho uplatnenie v oblasti skorej detekcie zostáva obmedzené častým nedostatkom označených dát. Táto práca adresuje tento problém a zaoberá sa využitím surových leteckých dát pri trénovaní modelov hlbokého učenia. Na trénovanie modelu skorej detekcie lykožrúta na základe leteckých hyperspektrálnych snímkov je použitý dvojfázový prístup: rozšírenie datasetu údajov o veľké množstvo neoznačených dát prostredníctvom automatizovanej detekcie stromov na leteckých snímkach a použitie self-supervised pred-trénovania na neoznačených dátach na podporu následného trénovania na malých označených dátach. Efektívne využitie neoznačených údajov by pomohlo prekonať prekážku nedostatku označených údajov v probléme včasnej detekcie.

Abstract:

Bark beetle outbreaks have had a significant impact on ecosystems and economies in recent years, with an increasing trend expected due to climate change. Remote sensing monitoring offers a promising tool for large-scale forest monitoring, enabling the detection and removal of infested trees before the beetles spread further. However, it requires reliable, automated early detection methods, which have yet to achieve a performance breakthrough sufficient for practical application. Deep learning has advanced numerous remote sensing tasks, but its application to the early detection problem remains limited by a common scarcity of labelled data. This thesis addresses the issue and proposes a method for utilising unlabelled remote sensing data in deep learning model training. To train an early bark beetle detection model on aerial hyperspectral data, a two-step approach is proposed: extending a labelled dataset with a large amount of unlabelled samples via automated tree detection in an aerial image, and employing self-supervised pretraining on the unlabelled data to support the subsequent supervised training. Efficient utilisation of unlabelled data would help cross the barrier of labelled data scarcity in the early detection problem.

Keywords

early bark beetle detection, hyperspectral, remote sensing, aerial, tree detection, data scarcity, self-supervised, pretraining, masked image modelling (MIM), vision transformer (ViT), SimMIM

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 16. 12. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 30. 1. 2026
• Vedoucí: RNDr. Terézia Slanináková
• Oponent: doc. RNDr. Jan Sedmidubský, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Strojové učení a umělá inteligence