Strojové rozpoznávání květů na snímcích z bezpilotních leteckých prostředků

Jan Zadák

Bakalářská práce

Machine recognition of flower blossoms in images acquired by unmanned aerial vehicles

Anotace:

Tato bakalářská práce se věnuje využití bezpilotních prostředků při detekci rostlin a květů pěstovaných na květinových farmách. Práce je rozdělena na teoretickou část a praktickou část. Teoretická část popisuje květinové farmy v České republice a květinový globální trh a jeho problémy. Dále se věnuje historii vývoje bezpilotních prostředků, jejich významu a využití. Bezpilotní prostředky popisuje, kategorizuje a uvádí legislativní normy, které upravují jejich provoz. Praktická část práce se věnuje detekci jednotlivých rostlin a květů. Zdrojová data jsou shromážděna ve viditelném spektrálním pásmu pomocí bezpilotního prostředku Mavic 2 zoom od společnosti DJI. Jednotlivé rostliny se detekují pomocí digitálních modelů povrchu a reliéfu a funkcích Structure from Motion, Raster Calculator a Focal Statistic. V takto navrženém postupu dochází k 10 % odchylce. Detekce jednotlivých květů, pomocí strojových klasifikačních metod Random Trees, Support Vector Machine, K-Nearest Neighbour a Maximum Likelihood, je prováděna pomocí funkce Classification Wizard a pomocí souboru s vytrénovanými cvičnými daty. Komparací klasifikačních metod bylo popsáno jejich použití, jejich výhody, nevýhody a jejich relativní přesnosti. V takto navrženém postupu detekce květů dochází u metody Random Trees k úspěšnosti 94 %, metoda Support Vector Machine je přesná na 89 % a metody K-Nearest Neighbour a Maximum Likelihood jsou přesné na 88 %. Provedený výzkum potvrdil, že lze využít bezpilotní prostředky a geografické informační systémy pro detekci květů na květinové farmě. Tyto postupy jsou výhodnější, rychlejší a přesnější i v případě lokalizace květů a rostlin z pořízených snímků, než provedení fyzického detekování květin v terénu. V bakalářské práci není dané téma detekce květů a rostlin zdaleka vyčerpáno. Tematicky lze například navázat aplikací moderních metod neuronových sítí (Neural Network) nebo hlubokého učení (Deep Learning).

Abstract:

This bachelor thesis deals with the use of unmanned aerial vehicles for the detection of plants and flowers grown on flower farms. The bachelor thesis is divided into a theoretical part and a practical part. The theoretical part describes the flower farms in the Czech Republic and the global flower market and its problems. Further the theoretical part describes the history of the development of unmanned aerial vehicles. The work is also focused on the importance of the use of unmanned aerial vehicles. This part of the thesis also categorizes unmanned aerial vehicles, provides a description of them and deals with the legislation governing unmanned aerial vehicles. The practical part of the work is devoted to the detection of individual plants and flowers. The source data are collected in the visible spectral band using the Mavic 2 zoom drone by DJI. Individual plants are detected through digital surface and relief models and the following functions: Structure from Motion, Raster Calculator and Focal Statistic. When using the proposed procedure, a deviation of 10% occurs. Detection of individual flowers based on such machine classification methods as Random Trees, Support Vector Machine, K-Nearest Neighborhood and Maximum Likelihood is performed using the Classification Wizard function and a set of trained practice data. Through a comparison of classification methods the thesis provides a description of their use, their advantages and disadvantages and their relative accuracy. When using the flower detection procedure designed in the proposed way, the Random Trees method has a success rate of 94%, the Support Vector Machine method's accuracy is up to 89% and the K-Nearest Neighbor and Maximum Likelihood methods are 88% accurate. The performed research confirmed that unmanned aerial vehicles and geographic information systems can be used to detect flowers on a flower farm. These procedures are more advantageous, fast and accurate, even in the case of locating flowers and plants from the captured images, than performing the physical detection of flowers in the field. The present topic of flower and plant detection is not completely covered in the bachelor thesis. For example, it is possible to thematically follow this topic up with application of the modern methods of Neural Network or Deep Learning.

Klíčová slova

Květinová farma, Bezpilotní prostředek, ArcMap, Strojová klasifikace, ArcGis Pro

Keywords

Flower farm, unmanned aerial vehicle, ArcMap, ArcGis Pro, Machine classification methods

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 31. 3. 2022

Obhajoba závěrečné práce

• Vedoucí: Ing. Jan Komárek, Ph.D.
• Oponent: Jan Procházka, Ing.

Česká zemědělská univerzita v Praze

Fakulta životního prostředí

Bakalářský studijní program / obor:
Krajinářství / Územní technická a správní služba