Purpose or research is to develop an algorithm for detecting obstacles on the orthophotomap based on the analysis of the spectral landscape indices in the tasks of mobile robotic equipment navigation in agricultural areas.Methods. The following landscape indices characterizing objects of various types on a map obtained by spectral aerial photography have been considered in the paper: normalized difference vegetation index (NDVI), normalized building difference index (NDBI), normalized difference water index (NDWI), and soil-adjusted vegetation index (SAVI). These indices provide an assessment of the four main classes of objects on the map: vegetation, buildings, water bodies, and soil cover. An algorithm that provides the segmentation of zones on the map which are impassable for ground robotic means using multispectral images and the considered indices was proposed.Results. Each image is presented in the form of a colour map based on the pixel-by-pixel calculation of the indicated indices. In this case, three indices, i.e. SAVI, NDWI, NDBI, are combined (superimposed on each other), and then the NDVI layer is subtracted from the resulting image to highlight the passable zones. Thus, a formula to obtain a mask of obstacles in the image was obtained. Hence, this algorithm allows generalizing the results of calculations for all selected indices and constructing a mask of obstacles in the image. For quantitative assessment the of the algorithm execution, the area of obstacles was calculated using the indices on a sample of manually marked images. The experiments conducted show that the developed algorithm provides, on average, detection of 85.47 % of the area of all impassable zones in the images in the above classes of land cover.Conclusion. An algorithm for the automated detection of obstacles on a map obtained from a spectral orthophotomap of the area for use in the tasks of mobile robotic equipment navigation in agricultural areas has been developed and tested. In the further research, to determine flat soil areas, it is planned to modify the developed solution using the improved modified soil-adjusted vegetation index (MSAVI).

No abstract

No abstract

Цель исследования. исследование подходов к генерации карт глубины для проверки и обучения глубоких нейронных сетей. Рассматривается проблема получения информации о расстоянии от камеры до объекта сцены по 2D-изображению при помощи глубоких нейронных сетей без использования стереокамеры. Методы. Генерация 3D-сцен для обучения и оценки нейронной сети осуществлялась при помощи приложения 3D-компьютерной графики Blender. Для оценки точности обучения было использовано среднеквадратическое отклонение (СКО). Машинное обучение было реализовано при помощи библиотеки Keras, а оптимизация-с использованием подхода AdaGrad. Результаты. Представлена архитектура глубокой нейронной сети, которая на вход получает три последовательности 2D-изображений из видеопотока 3D-сцены и выдает на выходе предсказанную карту глубины для рассматриваемой 3D-сцены. Описан способ создания обучающих наборов данных, содержащих информацию о глубине карты с использованием программного обеспечения Blender. Рассматривается проблема переобучения, заключающаяся в следующем: созданные модели работают на специально сгенерированных наборах данных, но все еще не могут предсказать правильную карту глубины для случайных изображений. Представлены результаты тестирования актуальных способов создания карт глубины с использованием глубоких нейронных сетей. Заключение. Основной проблемой предложенного метода является переобучение, которое может быть выражено в прогнозировании некого среднего значения для разных изображений или предсказании одного и того же выхода для разных входов. Для решения данной проблемы могут быть использованы уже обученные сети или обучающие и вариационные выборки, содержащие 2D-изображения различных сцен.

No abstract