Zadanie polega na wykorzystaniu obrazów satelitarnych do rozpoznawania sytuacji na powierzchni ziemi. Projekt koncentruje się na obszarach rolnych: rozpoznawaniu upraw i ich zagrożeń (anomalii) oraz segmentacji obrazów satelitarnych.
Firma potrzebowała na podstawie obrazów satelitarnych opracować i zweryfikować technologię klasyfikacji upraw i detekcji zmian w uprawach, w tym wykrywania wybranych chorób i szkodników.
Podstawę prezentowanego rozwiązania stanowi zastosowanie głębokiej sieci neuronowej, która realizuje zadanie segmentacji obrazu.
Samo zadanie segmentacji wykonywane jest stopniowo, poprzez trenowanie kolejnych sieci neuronowych. Pierwszym etapem było rozpoznanie pięciu podstawowych klas pokrycia terenu: niska roślinność, wysoka roślinność, zurbanizowane (bez roślinności), zbiorniki wodne, zaciemnione (chmury, śnieg itp.). Warto zauważyć, że oprócz oceny ilościowej przeprowadzana jest również jakościowa ocena wizualna, co jest szczególnie ważne w zadaniach związanych z danymi przestrzennymi. Kolejnym etapem jest coraz bardziej szczegółowa identyfikacja zbiorów i występujących w nich anomalii.
Cały proces został przeprowadzony w ścisłej współpracy z klientem, który dostarcza nie tylko dane wejściowe do procesu uczenia, ale także wiedzę wglądową specyficzną dla jego domeny
Ścisła współpraca jest ułatwiona dzięki zastosowaniu innowacyjnej metody etykietowania danych o nazwie Label in the Loop (LitL). Wspiera ona klienta w procesie etykietowania danych, wskazując części danych, których prawidłowe etykietowanie jest najważniejsze dla jakości sztucznej sieci neuronowej. Co więcej, proces jest iteracyjny, a wykorzystanie technologii LitL zmniejsza ilość danych potrzebnych do etykietowania, zwiększając dokładność wyników sieci.
Projekt Agrotech jest przykładem zaawansowanej interdyscyplinarnej współpracy pomiędzy QED Software (AI, ML, NN), klientem (teledetekcja) oraz specjalistami dziedzinowymi (rolnictwo). Sukces tego projektu jest bezpośrednio związany z umiejętnością rozpoznania i zrozumienia specjalistycznych potrzeb klienta oraz dostosowania technologii do specyfiki branży, w której działa klient.
Proces przebiegał iteracyjnie, a zastosowanie technologii LitL zmniejszyło liczbę danych niezbędnych do otagowania, zwiększając dokładność wyników sieci.
W efekcie współpracy z klientem/ Partnerem stworzono wtyczkę która realizuje wdrożone funkcjonalności i może być dalej rozwijana.
Produkt dostosowany do środowiska (QGIS) i standardów dziedzinowych, powszechnie używanych zarówno u naszego klienta, jak i u jego klientów.
W projekcie wykorzystano technologię Label in the Loop (LitL) do innowacyjnego sposobu tagowania danych.
AI for PIONEERS
Rozwijaj firmę dzięki sztucznej inteligencji
