Plant species detection in aerial and satellite images using deep learning

Résumé

Es indiscutible que la conservación de las especies de plantas es esencial para la conservación de la naturaleza, el clima y el bienestar humano. Clásicamente, la tarea de conservar las especies vegetales amenazadas se realizaba generalmente mediante una supervisión directa sobre el terreno por parte de los gestores de los recursos naturales. Sin embargo, con los avances en las tecnologías de sensores y también de los vehículos aéreos no tripulados (UAV), los datos de teledetección de alta resolución se están convirtiendo en un recurso importante para el seguimiento de las especies de plantas amenazadas en grandes áreas. Estos datos de teledetección suelen ser imágenes multiespectrales, con tres o más bandas, de hasta 3 cm/píxel de resolución, que proporcionan una visión ortogonal o casi-ortogonal de la especie vegetal considerada. Esta información puede no ser tan completa como la que proporcionan las imágenes naturales. Sin embargo, puede ser suficiente para vigilar especies arbóreas situadas en zonas muy extensas y de difícil acceso. La tarea de analizar las imágenes de teledetección suele realizarse mediante algoritmos clásicos que requieren un alto nivel de intervención humana. En los últimos diez años, los modelos de aprendizaje profundo en general y las redes Neuronales Convolucionales (CNNs) en particular han mostrado resultados impresionantes en la extracción de patrones espaciales de imágenes naturales. De hecho, las CNNs constituyen el estado del arte en todas las tareas de visión por computador, en clasificación de imágenes, detección de objetos y segmentación. Sin embargo, el potencial de las CNNs profundas no ha sido plenamente explorado en imágenes ortogonales y casi-ortogonales de alta resolución, especialmente en la conservación de especies de plantas. Esta tesis presenta uno de los primeros estudios en explorar el potencial de las CNNs profundas, el preprocesamiento de datos y los datos de teledetección, para abordar los problemas de conservación de especies de plantas. En particular, esta tesis presenta los resultados y el análisis de modelos CNN profundos en tres problemas diferentes de ciencias naturales: 1. La detección de abetos (Abies Sibirica) dañados por el escarabajo de la corteza en imágenes de UAV utilizando DL. 2. La estimación del biovolumen de los olivos a partir de la segmentación de imágenes de UAV de múltiples resoluciones utilizando Mask R-CNN. 3. La detección de abetos (Picea Abies) infectados por el escarabajo de la corteza en imágenes UAV utilizando arquitecturas YOLO. El objetivo principal de esta tesis es desarrollar modelos de aprendizaje profundo robustos y precisos para la monitorización de diferentes especies de plantas utilizando imágenes de UAV. Los objetivos particulares para lograr el objetivo principal son: ● Construir tres conjuntos de datos de alta calidad para cada uno de los tres problemas considerados según la formulación del problema. ● Diseñar los métodos de preprocesamiento adecuados que reduzcan el ruido y la incertidumbre en las características. ● Desarrollar modelos robustos y precisos basados en CNN para cada caso de estudio. Los resultados de los primeros capítulos de de esta tesis han sido publicados en dos revistas clasificadas como Q1 y Q2 en JCR. Los resultados del tercer capítulo han sido sometidos a la revista “IEEE Transactions on Geoscience and Remote Sensing”. Esta tesis está estructurada en cinco capítulos. El primer capítulo presenta una introducción de los problemas considerados, los antecedentes y los objetivos de la tesis. El capítulo dos presenta el conjunto de datos construido, los modelos y la técnica de preprocesamiento para abordar la detección de abetos (Abies Sibirica) dañados por el escarabajo de la corteza en imágenes de UAV. El capítulo tres presenta el conjunto de datos construido, los modelos y la técnica de preprocesamiento para estimar el biovolumen de los olivos a partir de la segmentación de imágenes multirresolución de UAV. El capítulo cuatro presenta el conjunto de datos construido, los modelos y la técnica de preprocesamiento para abordar la detección de abetos (Picea Abies) infectados por el escarabajo de la corteza en imágenes UAV utilizando arquitecturas YOLO. Por último, el capítulo cinco presenta las conclusiones y el trabajo futuro.