Tích hợp DSM và ảnh chụp UAV với mô hình nơ-ron tích chập trong phân loại lớp phủ mặt đất

Bài viết Tích hợp DSM và ảnh chụp UAV với mô hình nơ-ron tích chập trong phân loại lớp phủ mặt đất trình bày việc tích hợp mạng nơ-ron tích chập và thuật toán Catboost trong phân loại lớp phủ mặt đất từ dữ liệu UAV. Dữ liệu đầu vào của mô hình là ảnh chụp UAV tại Hà nội, kết hợp với mô hình số bề mặt (DSM).
Nội dung trích xuất từ tài liệu:
Tích hợp DSM và ảnh chụp UAV với mô hình nơ-ron tích chập trong phân loại lớp phủ mặt đất VNU Journal of Science: Earth and Environmental Sciences, Vol. 38, No. 1 (2022) 105-112 Original Article Combination of UAV Images and DSM for Land Cover Classification using Convolutional Neural Network Bui Quang Thanh1,*, Vu Phan Long2, Nguyen Xuan Linh1, Pham Van Manh1 1 VNU University of Science, 334 Nguyen Trai, Thanh Xuan, Hanoi, Vietnam 2 Military Mapping Agency, 198 Tran Cung, Hanoi, Vietnam Received 26 July 2021 Revised 11 September 2021; Accepted 16 September 2021 Abstract: Machine learning applies predominantly to the classification of the satellite images, aerial photo, unmanned aerial vehicle (UAV) data, point clouds with considerable achievements. However, the dynamic and complex structures of land surface prevent accurate land cover segregation through built-in models, and there is a crucial need to investigate novel ones. This study integrates Catboost into a Convolutional neural network for land cover classification from UAV images, with a case study in Hanoi. The combination of these images and Digital surface model to form the input datasets. The results show that the overall accuracy reaches 91,5%, which is relatively higher than other comparing methods. The proposal model can be used as an alternative method for land cover classification. Keyword: UAV, Convolutional neural network, catboost, Hanoi.* ________ * Corresponding author. E-mail address: qthanh.bui@gmail.com https://doi.org/10.25073/2588-1094/vnuees.4812 105 106 B. Q. Thanh et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 38, No. 1 (2022) 105-112 Tích hợp DSM và ảnh chụp UAV với mô hình nơ-ron tích chập trong phân loại lớp phủ mặt đất Bùi Quang Thành1,*, Vũ Phan Long2, Nguyễn Xuân Linh1, Phạm Văn Mạnh1 1 Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, 334 Nguyễn Trãi, Thanh Xuân, Hà Nội, Việt Nam 2 Cục Bản đồ, Bộ tổng Tham mưu, Ngõ 198 Trần Cung, Hà Nội, Việt Nam Nhận ngày 26 tháng 7 năm 2021 Chỉnh sửa ngày 11 tháng 9 năm 2021; Chấp nhận đăng ngày 16 tháng 9 năm 2021 Tóm tắt: Các phương pháp học máy đã và đang được thử nghiệm với dữ liệu viễn thám đa độ phân giải như ảnh vệ tinh, ảnh hàng không, dữ liệu từ thiết bị bay không người lái (UAV), tập hợp dữ liệu đám mây điểm và đem lại kết quả khả quan. Tuy nhiên, với cấu trúc phức tạp của các loại hình lớp phủ và với đặc điểm nguồn dữ liệu lớn, các mô hình dựng sẵn đôi khi không đạt được độ chính xác mong đợi trong phân loại. Nghiên cứu này tích hợp mạng nơ-ron tích chập và thuật toán Catboost trong phân loại lớp phủ mặt đất từ dữ liệu UAV. Dữ liệu đầu vào của mô hình là ảnh chụp UAV tại Hà nội, kết hợp với mô hình số bề mặt (DSM). Kết quả cho thấy mô hình đề xuất có độ chính xác phân loại = 91,5%, cao hơn so với các phương pháp phổ biến khác và có thể sử dụng tại các khu vực đô thị khác tại Việt Nam. Từ khóa: UAV, Mạng nơ-ron tích chập, Catboost, Hà Nội. 1. Mở đầu* Để nâng cao độ chính xác phân loại, nhiều nghiên cứu đã tích hợp tư liệu ảnh với một số dữ Trong các mô hình học sâu, mạng nơ-ron tích liệu bổ trợ khác như mô hình số địa hình (DTM), chập (Convolutional neural network - CNN) là mô hình số bề mặt (DSM), dữ liệu từ đám mây phương pháp được sử dụng rộng rãi nhất và đã điểm [9, 10]. Các dữ liệu bổ trợ đó thường được có nhiều ứng dụng thành công trong nhận dạng trộn (fusion) với ảnh chụp vệ tinh (các băng phổ) khuôn mặt, xử lý ngôn ngữ tự nhiên, phân loại hoặc ảnh UAV (ảnh tổ hợp màu 3 kênh đỏ, xanh hiện trạng sử dụng đất, xử lý dữ liệu đám mây lục, xanh lam). Trong đó dữ liệu DTM, DSM điểm. Với ưu điểm trong xử lý dữ liệu lớn, CNN cung cấp thêm nhiều thông tin về độ cao từ đó có vô cùng hữu ích đối với các nghiên cứu có sử thêm suy luận chính xác về loại đối tượng trong dụng dữ liệu viễn thám và các dữ liệu không gian mối tương quan với các đối tượng xung quanh khác. Ví dụ, CNN đã được sử dụng rộng rãi để [1]. Với cấu trúc phức tạp của các loại hình lớp phân loại dữ liệu ảnh viễn thám có độ phân giải cao [1-3], bao gồm phân loại hiện trạng sử dụng phủ và với đặc điểm nguồn dữ liệu lớn, các mô đất, phân loại cảnh quan và xác định đối tượng hình dựng sẵn đôi khi không đạt được độ chính [2-7], hoặc cho nhận dạng đối tượng từ dữ liệu xác mong đợi trong phân loại, do đó việc nghiên đám mây điểm [8]. cứu các mô hình mới, thuật toán mới là cần thiết. ________ * Tác giả liên hệ. Địa chỉ email: qthanh.bui@gmail.com https://doi.org/10.25073/2588-1094/vnuees.4812 B. Q. Thanh et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 38, No. 1 (2022 ...