Детальная информация

Объектом исследования являются размеченные гиперспектральные изображения почвенных поверхностей. Цель работы заключалась в разработке и экспериментальной оценке эффективности модели глубокого обучения для распознавания образов по гиперспектральным изображениям в сравнении с классическими ML-методами. В работе решены задачи анализа предметной области, обзора открытых наборов данных и протоколов эксперимента, проектирования экспериментального стенда, разработки модели глубокого обучения и проведения сравнения на открытых наборах данных. Методологическую основу составили сравнительный анализ спектральных и спектрально-пространственных подходов, построение воспроизводимого эксперимента, подбор конфигураций моделей SVM и 1D-CNN, модульное и экспериментальное тестирование. В результате реализована модель 1D-CNN, показавшая лучшее качество классификации по сравнению с SVM-моделью в спектральной постановке, выполнено сравнение с 3-2D BERT и подтверждена практическая применимость спектрального подхода при ограниченной разметке. В работе сделан вывод о превосходстве DL-методов над ML-моделями в решении задачи пиксельной классификации гиперспектральных изображений. Результаты могут быть использованы при проектировании прикладных систем автоматизированной классификации гиперспектральных изображений и для проведения дальнейших вычислительных экспериментов. В разработке использованы: Python 3.12, IDE PyCharm и Jupyter Notebook.

The object of the study is labeled hyperspectral images of soil surfaces. The aim of the work was to develop and experimentally evaluate the effectiveness of a deep learning model for pattern recognition based on hyperspectral images in comparison with classical ML methods. The work addressed the tasks of analyzing the subject area, reviewing open datasets and experimental protocols, designing an experimental framework, developing a deep learning model, and conducting a comparison on open datasets. The methodological basis included a comparative analysis of spectral and spectral–spatial approaches, the construction of a reproducible experiment, the selection of SVM and 1D-CNN model configurations, as well as modular and experimental testing. As a result, a 1D-CNN model was implemented, demonstrating better classification quality compared to the SVM model in the spectral setting. A comparison with 3-2D BERT was also performed, confirming the practical applicability of the spectral approach under limited annotation conditions. The work concludes that DL methods outperform ML models in solving the problem of pixel-wise classification of hyperspectral images. The results can be used in the design of applied systems for automated hyperspectral image classification and for further computational experiments. The following technologies were used in the development: Python 3.12, the PyCharm IDE, and Jupyter Notebook.