Igenkänning av trädslag med djupinlärning
Rönn, Isak (2021)
Rönn, Isak
2021
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202104215330
https://urn.fi/URN:NBN:fi:amk-202104215330
Tiivistelmä
Viime aikoina koneoppiminen ja syvällinen oppiminen ovat tulleet yhä suositummiksi, ja näitä käytetään useilla eri toimialoilla automatisoimaan työtä, joka olisi äärimmäisen aikaa vievää tai mahdotonta ihmisen suorittamiseksi.
Opinnäytetyön tavoitteena oli pystyä tunnistamaan eri puulaeja erittäin tarkasti näyttämällä kuvia syvälle oppimismallille.
Fast.ai-kehyksen avulla luotiin Pythonissa malli, joka pystyi tunnistamaan yksittäisten puiden puulajit kuvista. Valmistuneen mallin virhetaso oli 3,33 prosenttia. Hyvä tulos johtui laadukkaista kuvista ja sopivasta oppimisnopeudesta.
Koska Fast.ai ei tue objektien havaitsemista tässä vaiheessa, tavoitetta tunnistaa useita puita samasta kuvasta ei voitu saavuttaa. Tämän toiminnon odotetaan saapuvan ennen vuotta 2022. Kun toiminto on käytettävissä, alkuperäistä ideaa metsäluettelosta voidaan tutkia edelleen.
Opinnäytetyön tavoitteena oli pystyä tunnistamaan eri puulaeja erittäin tarkasti näyttämällä kuvia syvälle oppimismallille.
Fast.ai-kehyksen avulla luotiin Pythonissa malli, joka pystyi tunnistamaan yksittäisten puiden puulajit kuvista. Valmistuneen mallin virhetaso oli 3,33 prosenttia. Hyvä tulos johtui laadukkaista kuvista ja sopivasta oppimisnopeudesta.
Koska Fast.ai ei tue objektien havaitsemista tässä vaiheessa, tavoitetta tunnistaa useita puita samasta kuvasta ei voitu saavuttaa. Tämän toiminnon odotetaan saapuvan ennen vuotta 2022. Kun toiminto on käytettävissä, alkuperäistä ideaa metsäluettelosta voidaan tutkia edelleen.