Details

В работе рассматривается задача семантической сегментации изображений для систем компьютерного зрения беспилотной сельскохозяйственной техники. Объектом исследования является процесс выделения объектов сельскохозяйственной сцены на изображениях. Цель работы - разработка и сравнительный анализ моделей семантической сегментации изображений для выделения культурных растений, сорных растений и фона, а также реализация программного модуля для их применения. В ходе работы выполнен анализ современных архитектур нейронных сетей для сегментации изображений, проведено обучение и сравнение моделей U-Net++, DeepLabv3+ и BiSeNetV2 с энкодерами ResNet18 и ResNet34 на датасете PhenoBench. Разработано программное приложение для выполнения сегментации изображений и видеопотока. Проведено тестирование качества сегментации с использованием метрики mIoU, выполнена оценка вычислительной сложности моделей и их обобщающей способности на внешнем датасете CropAndWeed Dataset. Полученные результаты подтверждают возможность применения разработанного решения в системах компьютерного зрения беспилотной сельскохозяйственной техники.

The thesis addresses the problem of semantic image segmentation for computer vision systems of autonomous agricultural machinery. The object of the research is the process of identifying agricultural scene objects in images. The aim of the work is to develop and perform a comparative analysis of semantic image segmentation models for the identification of crop plants, weeds, and background regions, as well as to implement a software module for their application. The work includes an analysis of modern neural network architectures for image segmentation and the training and comparison of U-Net++, DeepLabv3+, and BiSeNetV2 models with ResNet18 and ResNet34 encoders using the PhenoBench dataset. A software application for image and video stream segmentation was developed. Segmentation quality was evaluated using the mIoU metric. The computational complexity of the models and their generalization capability on the CropAndWeed Dataset were also assessed. The obtained results confirm the applicability of the developed solution in computer vision systems for autonomous agricultural machinery.