dc.contributor.advisor | Misganu Debella-Gilo | |
dc.contributor.advisor | Stefano Puliti | |
dc.contributor.author | Nordby, Lars Michaloff | |
dc.date.accessioned | 2024-08-23T16:28:42Z | |
dc.date.available | 2024-08-23T16:28:42Z | |
dc.date.issued | 2024 | |
dc.identifier | no.nmbu:wiseflow:7110333:59110560 | |
dc.identifier.uri | https://hdl.handle.net/11250/3147978 | |
dc.description.abstract | Denne masteroppgaven undersøker muligheten for å automatisk identifisere og segmentere ut
enebærbusker fra terrestriske bilder tatt i forbindelse med Landsskog-takseringsprosjektet til
NIBIO. Målet har vært å utvikle en maskinlæringsmodell som kan identifisere og lokalisere
enebærbusker i bildet. Det er også undersøkt om modelltreningen kan suppleres med et eksternt
datasett. Segmentering og klassifisering er brukt for å oppnå disse målene. Modellene er trent
opp på datasett inneholdende bilder fra NIBIO og iNaturalist. Modellene har deretter blitt testet
på bilder fra NIBIO, og valideringsparameterne har blitt sammenlignet for å finne den beste
modellen.
Modeller fra YOLOv8-arkitekturen har blitt benyttet i både klassifiserings- og segmenteringsoppgavene.
Resultatene viser at alle segmenteringsmodellene generelt presterer dårlig, mens
klassifiseringsmodellen med en justert konfidensnivå leverer de beste resultatene.
Imidlertid viser resultatene at segmenteringsmodellene har potensial til å oppnå gode resultater
med tilstrekkelig datagrunnlag. Modellen som er trent på kombinasjonsdatasettet tyder på at
ved å bruke et eksternt datasett, oppnås en modell som er mer sikker og nøyaktig i prediksjonene
sine, og viser tegn til mer robusthet. Oppgaven konkluderer derfor med at det er mulig å
lage en maskinlæringsmodell for automatisk klassifisering av enebærbusker i terrestriske bilder.
Fremtidig arbeid bør fokusere på mer datainnsamling og utprøving av andre modellarkitekturer. | |
dc.description.abstract | In this master thesis, the aim is to find out if it is possible to identify and segment out Juniper
from terrestrial pictures taken during the fieldwork of NIBIO’s National Forest Inventory (NFI)
project. The goal of the thesis has been to develop a machine learning model that can identify
and localize juniper in the pictures. It is also studied if the model training could benefit from
the addition of more data from an external dataset. Segmentation and classification are used to
try to achieve these goals. The models are trained on datasets containing images from NIBIO
and iNaturalist. The models have then been tested on pictures from NIBIO, and the validation
parameters compared to find the best model.
The model architectures used are from the YOLOv8 models, and this architecture has been used
in both classification and segmentation tasks. The results show that all the segmentation models
generally perform poorly, while the classification model with an adjustment in the confidence
level delivers the best results.
However, the results show that the segmentation models still have some potential to perform
better by training on a sufficient dataset. The model trained on a combination dataset shows that
using an external dataset could result in a model that is more accurate and confident in its predictions
and shows signs of delivering a more robust model. The thesis concludes, therefore, that it
is possible to develop a machine learning algorithm that can detect juniper in terrestrial pictures.
Further work should be focused on gathering a sufficient dataset and trying out different model
architectures. | |
dc.language | nob | |
dc.publisher | Norwegian University of Life Sciences | |
dc.title | Automatisk klassifisering av naturlandskap ved bruk av maskinlæring og terrestriske bilder | |
dc.type | Master thesis | |