Detekce vybraných druhů rostlin z dat UAV pomocí hlubokého učení

Abstract

This bachelor thesis focuses on the detection of two selected plant species - the invasive garden lupin (Lupinus polyphyllus) and the protected spring pheasant's eye (Adonis vernalis) - using deep learning in the software environments ArcGIS Pro and ENVI. The aim of the thesis was to compare the outputs of various deep learning models, assess their accuracy, and evaluate the advantages and disadvantages of the software tools used. Modern object detection models were tested, with the highest accuracy achieved for lupine detection using the model Mask R-CNN model (F1 score 92.84 %), while the simpler SSD model yielded significantly lower values (F1 score 34.92 %). In the case of pheasant's eye, it was also verified that the model could be successfully transferred between images with different spatial resolutions, correctly detecting occurrences even in data not used during training. The results demonstrated that detection accuracy is influenced by model architecture, the quality of training data, and the spatial resolution of the outputs. ArcGIS Pro enabled detailed configuration of model parameters and training data structure, while ENVI stood out for its user-friendly interface. Both software environments proved suitable for vegetation detection from UAV imagery. The combination of both platforms...

Tato bakalářská práce se zaměřuje na detekci dvou vybraných druhů rostlin - invazní lupiny mnoholisté a chráněného hlaváčku jarního - pomocí hlubokého učení v softwarových prostředích ArcGIS Pro a ENVI. Cílem práce bylo porovnat výstupy jednotlivých modelů hlubokého učení, posoudit jejich přesnost a zhodnotit výhody a nevýhody použitých softwarových nástrojů. Testovány byly moderní modely pro detekci objektů, přičemž nejvyšší přesnosti bylo dosaženo pro detekci květů lupiny při použití modelu Mask R-CNN (F1 skóre 92,84 %), zatímco jednodušší model SSD dosáhl výrazně nižších hodnot (F1 skóre 34,92 %). U hlaváčků bylo navíc ověřeno, že model lze úspěšně přenést i mezi snímky s různým prostorovým rozlišením, přičemž správně detekoval výskyty i na datech, která nebyla použita při trénování. Výsledky ukázaly, že na přesnost detekce má vliv jak volba architektury modelu, tak kvalita trénovacích dat a prostorové rozlišení výstupů. ArcGIS Pro umožnil detailní nastavení parametrů modelu a struktury trénovacích dat, zatímco ENVI vynikal jednoduchostí uživatelského rozhraní. Oba softwary se ukázaly jako vhodné pro detekci vegetace z UAV snímků. Vhodná kombinace obou prostředí se v této práci ukázala jako efektivní řešení pro přesnou detekci vegetace z dat dálkového průzkumu Země. Detekce kvetoucích rostlin...