📄Работа №202048
Тема: Нейросетевые алгоритмы обнаружения лесных пожаров по данным дистанционного зондирования Земли
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
95 листов
Год:
2023
Просмотров:
47
4950
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
РЕФЕРАТ 8
Введение 10
Обозначения и сокращения 11
1 Аналитический обзор существующих алгоритмов 12
1.1 Распознавание образов. Сегментация 12
1.2 Методы семантической сегментации изображений 13
1.2.1 Сегментация на основе градации серого 13
1.2.2 Условные случайные поля 15
1.3 Описание использованных топологий нейронных сетей 17
1.3.1 Сверточная нейронная сеть 17
1.3.1.1 Методы глубокого обучения 17
1.3.1.2 Сверточный слой 17
1.3.1.3 Max-Pooling и Max-Unpooling 19
1.3.1.4 Batch Normalization 20
1.3.2 Функции активации 20
1.3.2.1 Softmax 20
1.3.2.2 ReLU 21
1.3.3 Оптимизаторы 21
1.3.4 Оценка точности и функция потерь 22
1.4 Описание использованных моделей сверточных нейронных
сетей 23
1.4.1 Seg-Net 23
1.4.2 U-Net 24
1.4.3 R2U-Net 25
2 Разработка алгоритма сегментации лесных пожаров на изображениях 27
2.1 Создание базы данных 27
2.2 Создание Telegram-бота 31
2.3 Реализация архитектуры R2U-Net 33
3 Обучение и тестирование нейронной сети 35
4 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение . . 42
4.1 Предпроектный анализ 42
4.1.1 Потенциальные потребители результатов исследования ... 42
4.1.2 Анализ конкурентных технических решений с позиции
ресурсоэффективности и ресурсосбережения 43
4.1.3 SWOT-анализ 45
4.1.4 Оценка готовности проекта к коммерциализации 46
4.1.5 Методы коммерциализация результатов научнотехнического исследования 47
4.2 Инициация проекта 47
4.3 Планирование управления научно-техническим проектом 49
4.3.1 План проекта 49
4.3.2 Бюджет научного исследования 50
4.4 Определение ресурсной (ресурсосберегающей), финансовой
эффективности исследования 54
5 Социальная ответственность 60
5.1 Производственная безопасность 60
5.2 Экологическая безопасность 70
5.3 Безопасность в чрезвычайных ситуациях 72
Заключение 74
Список публикаций 75
Список использованных источников 76
Приложение А 80
Введение 10
Обозначения и сокращения 11
1 Аналитический обзор существующих алгоритмов 12
1.1 Распознавание образов. Сегментация 12
1.2 Методы семантической сегментации изображений 13
1.2.1 Сегментация на основе градации серого 13
1.2.2 Условные случайные поля 15
1.3 Описание использованных топологий нейронных сетей 17
1.3.1 Сверточная нейронная сеть 17
1.3.1.1 Методы глубокого обучения 17
1.3.1.2 Сверточный слой 17
1.3.1.3 Max-Pooling и Max-Unpooling 19
1.3.1.4 Batch Normalization 20
1.3.2 Функции активации 20
1.3.2.1 Softmax 20
1.3.2.2 ReLU 21
1.3.3 Оптимизаторы 21
1.3.4 Оценка точности и функция потерь 22
1.4 Описание использованных моделей сверточных нейронных
сетей 23
1.4.1 Seg-Net 23
1.4.2 U-Net 24
1.4.3 R2U-Net 25
2 Разработка алгоритма сегментации лесных пожаров на изображениях 27
2.1 Создание базы данных 27
2.2 Создание Telegram-бота 31
2.3 Реализация архитектуры R2U-Net 33
3 Обучение и тестирование нейронной сети 35
4 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение . . 42
4.1 Предпроектный анализ 42
4.1.1 Потенциальные потребители результатов исследования ... 42
4.1.2 Анализ конкурентных технических решений с позиции
ресурсоэффективности и ресурсосбережения 43
4.1.3 SWOT-анализ 45
4.1.4 Оценка готовности проекта к коммерциализации 46
4.1.5 Методы коммерциализация результатов научнотехнического исследования 47
4.2 Инициация проекта 47
4.3 Планирование управления научно-техническим проектом 49
4.3.1 План проекта 49
4.3.2 Бюджет научного исследования 50
4.4 Определение ресурсной (ресурсосберегающей), финансовой
эффективности исследования 54
5 Социальная ответственность 60
5.1 Производственная безопасность 60
5.2 Экологическая безопасность 70
5.3 Безопасность в чрезвычайных ситуациях 72
Заключение 74
Список публикаций 75
Список использованных источников 76
Приложение А 80
📖 Введение
Дистанционное зондирование Земли является основным видом слежения за ландшафтом и растительным покровом планеты. При проявлении климатических изменений, а именно природных или искусственно созданных пожаров, которые имели бы плохие последствия для флоры и фауны, эти изменения необходимо как можно быстрее предотвратить.
Одним из способов быстрого детектирования лесных пожаров являются определения очагов возгорания и гари по спутниковым снимкам.
СНС позволяют автоматизировать анализ по спутниковым снимкам, что вносит большой вклад в быстроту вычисления пострадавшие участи лесных массивов.
Используются такие сверточные сети, как Seg-Net, U-Net и R2U-Net которые применяются для семантической сегментации изображений с целью выявления областей, содержащих очаги возгорания, выгоревшей площади, задымления, лесного покрова и водоемов. Проводится разработка собственной выборки из рисунков с лесными пожарами и их сегментированными масками. Для определения лучшего оптимизатора СНС обучаются на оптимизаторах: Adam, RMSProp, AdaGrad и Nadam.
Реализуется приложение с телеграм-ботом, способного обеспечить обработку запросов пользователя посредством инференса предлагаемых архитектур с целью их оптимизации и удобства в использовании.
Объектом исследования является обнаружение зон возгорания лесных массивов по данным дистанционного зондирования Земли. Предмет исследования: нейросетевые алгоритмы семантической сегментации для качественного определения исследуемых областей на спутниковых снимках Земли.
Одним из способов быстрого детектирования лесных пожаров являются определения очагов возгорания и гари по спутниковым снимкам.
СНС позволяют автоматизировать анализ по спутниковым снимкам, что вносит большой вклад в быстроту вычисления пострадавшие участи лесных массивов.
Используются такие сверточные сети, как Seg-Net, U-Net и R2U-Net которые применяются для семантической сегментации изображений с целью выявления областей, содержащих очаги возгорания, выгоревшей площади, задымления, лесного покрова и водоемов. Проводится разработка собственной выборки из рисунков с лесными пожарами и их сегментированными масками. Для определения лучшего оптимизатора СНС обучаются на оптимизаторах: Adam, RMSProp, AdaGrad и Nadam.
Реализуется приложение с телеграм-ботом, способного обеспечить обработку запросов пользователя посредством инференса предлагаемых архитектур с целью их оптимизации и удобства в использовании.
Объектом исследования является обнаружение зон возгорания лесных массивов по данным дистанционного зондирования Земли. Предмет исследования: нейросетевые алгоритмы семантической сегментации для качественного определения исследуемых областей на спутниковых снимках Земли.
✅ Заключение
Дистанционное зондирование Земли является основным видом слежения за ландшафтом и растительным покровом планеты. При проявлении климатических изменений, а именно природных или искусственно созданных пожаров, которые имели бы плохие последствия для флоры и фауны, эти изменения необходимо как можно быстрее предотвратить.
Одним из способов быстрого детектирования лесных пожаров являются определения очагов возгорания и гари по спутниковым снимкам.
СНС позволяют автоматизировать анализ по спутниковым снимкам, что вносит большой вклад в быстроту вычисления пострадавшие участи лесных массивов.
Используются такие сверточные сети, как Seg-Net, U-Net и R2U-Net которые применяются для семантической сегментации изображений с целью выявления областей, содержащих очаги возгорания, выгоревшей площади, задымления, лесного покрова и водоемов. Проводится разработка собственной выборки из рисунков с лесными пожарами и их сегментированными масками. Для определения лучшего оптимизатора СНС обучаются на оптимизаторах: Adam, RMSProp, AdaGrad и Nadam.
Реализуется приложение с телеграм-ботом, способного обеспечить обработку запросов пользователя посредством инференса предлагаемых архитектур с целью их оптимизации и удобства в использовании.
Объектом исследования является обнаружение зон возгорания лесных массивов по данным дистанционного зондирования Земли. Предмет исследования: нейросетевые алгоритмы семантической сегментации для качественного определения исследуемых областей на спутниковых снимках Земли.
Одним из способов быстрого детектирования лесных пожаров являются определения очагов возгорания и гари по спутниковым снимкам.
СНС позволяют автоматизировать анализ по спутниковым снимкам, что вносит большой вклад в быстроту вычисления пострадавшие участи лесных массивов.
Используются такие сверточные сети, как Seg-Net, U-Net и R2U-Net которые применяются для семантической сегментации изображений с целью выявления областей, содержащих очаги возгорания, выгоревшей площади, задымления, лесного покрова и водоемов. Проводится разработка собственной выборки из рисунков с лесными пожарами и их сегментированными масками. Для определения лучшего оптимизатора СНС обучаются на оптимизаторах: Adam, RMSProp, AdaGrad и Nadam.
Реализуется приложение с телеграм-ботом, способного обеспечить обработку запросов пользователя посредством инференса предлагаемых архитектур с целью их оптимизации и удобства в использовании.
Объектом исследования является обнаружение зон возгорания лесных массивов по данным дистанционного зондирования Земли. Предмет исследования: нейросетевые алгоритмы семантической сегментации для качественного определения исследуемых областей на спутниковых снимках Земли.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.