Unmanned aerial vehicles (UAVs) with high-resolution cameras are common in today’s society. Industries, such as the forestry industry, use drones to get a fast overview of tree populations. More advanced sensors, such as near-infrared light or depth data, can increase the amount of information that UAV images provide, providing information about the forest, such as; tree quantity or forest health. However, the fast-expanding field of deep learning could help expand the information acquired using only RGB cameras. Three deep learning models, FasterR-CNN, RetinaNet, and YOLOR were compared to investigate this. It was also investigated if initializing the models using transfer learning from the MS COCO dataset could increase the performance of the models. The dataset used was Swedish Forest Agency (2021): Forest Damages-Spruce Bark Beetle 1.0 National Forest Data Lab and drone images provided by IT-Bolaget Per & Per. The deep learning models were to detect five different tree species; spruce, pine, birch, aspen, and others. The results show potential for the usage of deep learning to detect tree species in images from UAVs. / Obemannade drönare med högupplösta kameror är vanliga i dagens samhälle. Branscher, så som skogsindustrin, kan använda sig av sådana drönare för att få en snabb översikt över ett skogsområde.Mer avancerade sensorer, som använder nära-infrarött ljus eller djupdata, kan öka mängden information som drönarna kan samla in, information såsom; trädmängd eller data om skogens hälsa. Det snabbt växande området djup-maskinlärning kan dock hjälpa till att utöka informationen som kan extraheras vid användning av endast RGB-kameror. Tre modeller för djupinlärning, Faster R-CNN, RetinaNet och YOLOR, jämfördes för att undersöka detta. Det undersöktes också om initiering med för-tränade vikter, med överföringsinlärning från datasetet MS COCO, skulle kunna öka modellernas prestanda. Datasetet som användes var Skogsstyrelsen (2021): Skogsskador-Granbarkborre1.0 Nationell Forest Data Lab samt drönarbilder tillhandahållna av IT-Bolaget Per & Per. Det tredjupinlärnings-modellerna skulle detektera fem olika trädarter: gran, tall, björk, asp, och övrigt.Resultaten visar potential för användning av djupinlärning för att upptäcka trädarter i bilder från drönare.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-186476 |
Date | January 2022 |
Creators | Sievers, Olle |
Publisher | Linköpings universitet, Datorseende |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds