Несанкционированные свалки наносят серьёзный ущерб экологии, но выявлять их вручную не всегда возможно. Учёные Пермского Политеха нашли способ сделать нейросеть точнее. Об этом сообщили в пресс-службе ПНИПУ.
Инженеры применяют нейросети для анализа спутниковых снимков, однако точность этих систем пока остаётся низкой. Модели часто путают свалки с карьерами и промышленными зонами, что делает автоматизацию малоэффективной. Специалистам приходится вручную проверять тысячи снимков, нивелируя преимущества автоматизации.
Несанкционированное размещение отходов – одна из актуальных экологических проблем. Свалки, которые появляются в лесах, оврагах, вдоль дорог и на окраинах городов, загрязняют почву токсичными веществами, отравляют водоёмы, ухудшают качество воздуха и представляют угрозу для здоровья людей. По данным Росприроднадзора, в России насчитывается более 8000 таких объектов.
Для выявления свалок проводят наземные рейды, но этот метод требует значительных временных и трудовых ресурсов. Спутниковые снимки упрощают задачу, но просмотр тысяч изображений вручную занимает слишком много времени. Поэтому для поиска свалок используют нейросети, которые автоматически анализируют фотографии и выделяют подозрительные участки.
Однако точность распознавания пока остаётся недостаточной. Во время обучения нейросети инженеры используют снимки, на которых «чистые» участки расположены в городах с плотной застройкой, а свалки – в менее обжитых районах. В результате модель ориентируется не на сам мусор, а на окружающую среду, что приводит к путанице со стройплощадками, карьерами и промышленными зонами.
Учёные Пермского Политеха разработали методику подготовки данных для нейросети, которая значительно повысила точность обнаружения свалок. Методика позволяет выявлять свалки с точностью до 95%. Для обучения нейросети исследователи использовали более 100 тысяч спутниковых снимков из разных регионов России, включая как участки с отходами, так и чистые территории.
Для повышения точности нейросети важно учитывать контекст окружающей среды. Поэтому учёные создали программу, которая автоматически определяет характеристики территории, такие как тип земного покрова, плотность населения, рельеф и другие параметры. Программа собирает эти данные из открытых источников, что позволяет инженерам экономить время. Для самого распознавания использовалась стандартная модель нейросети для анализа изображений, обученная на расширенной выборке, включающей снимки карьеров, промышленных зон и строительных площадок, которые внешне похожи на свалки.
«При проверке мы сравнили стандартный подход к обучению и новый – с дополнительными примерами объектов, которые напоминают свалки, но ими не являются. В результате качество распознавания заметно улучшилось. Доля ложных срабатываний – случаев, когда нейросеть ошибочно принимала участок за свалку, – снизилась примерно в 24 раза. Общая точность классификации выросла с 56 до 95 %», – рассказал Вадим Данелян, аспирант кафедры «Вычислительная математика, механика и биомеханика», инженер лаборатории прикладного искусственного интеллекта «Высшая школа авиационного двигателестроения» ПНИПУ.
Анализ показал, что важен не только объём снимков, но и их содержание. Новая разработка будет полезна для экологических служб и контролирующих органов, так как позволяет быстрее обнаруживать незаконные свалки и оперативно реагировать на нарушения. Программа, созданная на основе этой технологии, автоматически извлекает геопространственные данные из открытых источников по координатам снимков. Это освобождает специалистов от необходимости вручную собирать и сопоставлять информацию из различных источников, а также упрощает процесс подготовки данных для обучения нейронных сетей, подчеркнул Андрей Клюев, доцент кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ, кандидат физико-математических наук.
Нейросети учат искать не только свалки целиком, но и конкретный мусор. Как рассказывала интернет-газета «ЖУК», студентка СПбГУПТД разработала алгоритмы ИИ для поиска ПЭТ-бутылок на несанкционированных свалках внутри городов и за их пределами.