Automatisk klassifisering av naturlandskap ved bruk av maskinlæring og terrestriske bilder
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3147978Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1826]
Sammendrag
Denne masteroppgaven undersøker muligheten for å automatisk identifisere og segmentere utenebærbusker fra terrestriske bilder tatt i forbindelse med Landsskog-takseringsprosjektet tilNIBIO. Målet har vært å utvikle en maskinlæringsmodell som kan identifisere og lokalisereenebærbusker i bildet. Det er også undersøkt om modelltreningen kan suppleres med et eksterntdatasett. Segmentering og klassifisering er brukt for å oppnå disse målene. Modellene er trentopp på datasett inneholdende bilder fra NIBIO og iNaturalist. Modellene har deretter blitt testetpå bilder fra NIBIO, og valideringsparameterne har blitt sammenlignet for å finne den bestemodellen.Modeller fra YOLOv8-arkitekturen har blitt benyttet i både klassifiserings- og segmenteringsoppgavene.Resultatene viser at alle segmenteringsmodellene generelt presterer dårlig, mensklassifiseringsmodellen med en justert konfidensnivå leverer de beste resultatene.Imidlertid viser resultatene at segmenteringsmodellene har potensial til å oppnå gode resultatermed tilstrekkelig datagrunnlag. Modellen som er trent på kombinasjonsdatasettet tyder på atved å bruke et eksternt datasett, oppnås en modell som er mer sikker og nøyaktig i prediksjonenesine, og viser tegn til mer robusthet. Oppgaven konkluderer derfor med at det er mulig ålage 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 Juniperfrom 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 identifyand localize juniper in the pictures. It is also studied if the model training could benefit fromthe addition of more data from an external dataset. Segmentation and classification are used totry to achieve these goals. The models are trained on datasets containing images from NIBIOand iNaturalist. The models have then been tested on pictures from NIBIO, and the validationparameters compared to find the best model.The model architectures used are from the YOLOv8 models, and this architecture has been usedin both classification and segmentation tasks. The results show that all the segmentation modelsgenerally perform poorly, while the classification model with an adjustment in the confidencelevel delivers the best results.However, the results show that the segmentation models still have some potential to performbetter by training on a sufficient dataset. The model trained on a combination dataset shows thatusing an external dataset could result in a model that is more accurate and confident in its predictionsand shows signs of delivering a more robust model. The thesis concludes, therefore, that itis 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 modelarchitectures.