Automatisk klassifisering av naturlandskap ved bruk av maskinlæring og terrestriske bilder

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.

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.