Entrenan redes neuronales para reconocer árboles afectados por el escarabajo escolítido

Сientíficos rusos y españoles crearon un modelo de red neuronal profunda para la detección del abeto siberiano (Abiessibirica) afectado por el escarabajo escolítido 'Polygraphusproximus Blandford' en imágenes de un vehículo aéreo no tripulado (VANT).

Los resultados de la investigación se publicaron en la revista Remote Sensing.

La invasión del escarabajo escolítido causa daños catastróficos a los bosques de abetos en Rusia, especialmente en Siberia Central.

La determinación del grado de daño al árbol con el uso de la forma, textura y color de la copa del árbol en las imágenes obtenidas con un vehículo aéreo no tripulado puede ayudar a evaluar la condición del bosque de forma más rápida y económica. Sin embargo, esta tarea es difícil porque, en primer lugar, los abetos en diferentes etapas del daño coexisten y se superponen en el dosel. En segundo lugar, la distribución del abeto en la naturaleza es irregular y, por lo tanto, es difícil distinguir entre diferentes copas, incluso para el ojo humano.

Te puede interesar: Científicos hallan prometedora sustancia anticancerígena en el 'símbolo de Rusia'

En esta investigación, basada en los últimos avances en visión artificial y aprendizaje automático, los autores proponen una solución de dos pasos. Primero, las imágenes obtenidas con la ayuda de un VANT se utilizan para realizar la detección automatizada de áreas que tienen más probabilidades de contener la copa de los árboles. Luego, utilizando la red neuronal convolucional (Convolution Neural Network) desarrollada por los investigadores se determina el grado del daño al abeto en cada área identificada en la primera etapa. Los experimentos muestran que este enfoque da altos resultados (la precisión de la clasificación alcanza el 98,77%) en las imágenes de bosques obtenidos con la ayuda de un VANT en la Reserva Estatal Stolby (Krasnoyarsk, Rusia).

"Al principio preparamos un conjunto de datos que consistía en parches (imágenes en las que cada una incluyó una categoría de árbol) que fue artificialmente ampliado con el uso de diversas tecnologías existentes para entrenar el futuro modelo. Aplicando el aprendizaje automático profundo, es decir, las redes neuronales convolucionales, logramos crear un modelo capaz de reconocer cuatro categorías de abetos que difieren en el grado de daño causado por el escarabajo escolítido (según los datos del VANT). Hay que señalar que la arquitectura desarrollada es diferente de las arquitecturas conocidas y ampliamente utilizadas en las tareas de procesamiento de imágenes con el uso de redes neuronales convolucionales, como DenseNet, ResNet, Inseption, etc. El modelo desarrollado para resolver un problema específico es capaz de clasificar los árboles en imágenes con mayor precisión que los modelos de perfil ancho mencionados anteriormente. En la etapa de prueba fue creado un algoritmo que detecta automáticamente las copas de árboles en las imágenes para clasificarlas por el modelo entrenado", dijo Anastasía Safónova, la primera autora del artículo científico, estudiante de posgrado de la Cátedra de Sistemas de Inteligencia Artificial de la SibFU, doctorada de la Universidad de Granada (España) del programa de Tecnologías de la Información y la Comunicación 'Análisis de datos intelectuales'.

Tema relacionado: Científicos rusos sintetizan un material que hasta ahora se consideraba imposible de obtener

Siham Tabik, investigadora Ramón y Cajal en el Departamento de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada (España), señala que el combinar el 'deeplearning' o aprendizaje profundo basado en algoritmos con imágenes en alta resolución ofrece al mundo un enorme abanico de posibilidades en muchas áreas.

La investigación se llevó a cabo como parte del programa internacional Erasmus+ para estudiantes de posgrado en 2016-2018 de la Universidad de Granada (España) con el apoyo de los siguientes proyectos del Fondo Científico Ruso y el Fondo Ruso de Investigaciones Fundamentales.