Ученые повысили точность анализа снимков с дронов в сложных горнодобывающих районах 🏔 — 8 сентября 2026 г. в 11:30:03.735
Ученые повысили точность анализа снимков с дронов в сложных горнодобывающих районах 🏔 Исследователи разработали алгоритм на базе искусственного интеллекта, который позволяет дронам точнее распознавать объекты на снимках сложных горнодобывающих территорий. Модель способна различать участки карьеров, растительность, сельскохозяйственные земли, открытый грунт и другие объекты, что может использоваться для контроля экологического восстановления нарушенных земель. Исследование опубликовано в Scientific Reports. Авторы разработали модель MASwin-Unet, предназначенную для обработки изображений с беспилотников и их семантической сегментации — разделения снимка на отдельные типы объектов. Для эксперимента ученые использовали данные, собранные с помощью БПЛА в горнодобывающем районе Дуншань Сюцин в китайской провинции Хэбэй. Длительная открытая добыча полезных ископаемых привела там к появлению карьеров, крутых склонов и участков с оголенной породой. Для восстановления территории применялись покрытие почвой и высадка деревьев и кустарников. С помощью дрона было получено 1240 изображений размером 512×512 пикселей. Исследователи вручную разметили на них восемь категорий объектов: горные разработки, сельскохозяйственные земли, открытый грунт, подпорные стены, кустарники, деревья, прочие объекты и фон. Затем снимки разделили на обучающую, проверочную и тестовую выборки в соотношении 8:1:1. Задача оказалась сложной из-за того, что разные типы поверхности на снимках могут выглядеть похоже. Например, участки открытого грунта, кустарники и горные разработки местами практически соприкасаются. Кроме того, на изображениях присутствует большое количество небольших объектов, из-за чего алгоритмам сложнее определить их границы. MASwin-Unet сравнили с девятью другими моделями компьютерного зрения, включая U-Net, Swin-Unet, DeepLabV3+, HRNet, PSPNet и SegFormer. На основном наборе данных новая модель показала лучшие результаты по всем четырем ключевым показателям. Общая точность классификации составила 97,18%, коэффициент согласия Kappa — 95,79%, показатель пересечения областей mIoU — 85,14%, а средний F1-score — 90,73%. Особенно заметной оказалась точность распознавания отдельных типов объектов. MASwin-Unet правильно классифицировала 98,68% кустарников, 97,81% деревьев, 96,27% участков горных разработок, 95,25% открытого грунта и 92,53% подпорных стен. Авторы отмечают, что модель лучше сохраняет границы объектов и реже путает визуально похожие участки. Например, другие алгоритмы в ряде случаев принимали кустарники за территорию горных разработок или сельскохозяйственные земли. Чтобы проверить, не работает ли система только на данных одного конкретного карьера, исследователи протестировали ее еще на двух публичных наборах данных — AeroScapes и LoveDA. На этом наборе MASwin-Unet показала mIoU 79,08% и F1-score 87,54%. При этом по общей точности она достигла 96,62%. В отдельных категориях модель также показала высокие результаты. Например, точность распознавания растительности составила 98,10%, дорог — 99,10%, а неба — 99,70%. Для объектов, которые алгоритмам было сложнее различать, результат также оказался заметным: точность распознавания лодок выросла с 63,80% у Swin-Unet до 90,90% у MASwin-Unet, а животных — с 80,50% до 90,80%. По мнению авторов, такой подход может использоваться для детального мониторинга территорий после добычи полезных ископаемых и оценки результатов экологического восстановления. В дальнейшем исследователи планируют сделать архитектуру более легкой и повысить возможности работы в реальном времени при обработке больших объемов данных с БПЛА.