Aeroforest
Клиенты — ведущие компании лесозаготовки
ООО СФК (Сибирский Фанерный Комбинат) является частью концерна деревообрабатывающих предприятий. Главным видом деятельности является производство качественной фанеры на основе лиственных пород.
Группа "Илим" — ведущая компания в сфере производства целлюлозы и бумаги в России. Большая часть российской товарной целлюлозы – 75%, а также 20% картона и 10% бумаги производятся на комбинатах этой компании. Предприятия находятся в различных регионах России: в Ленинградской, Архангельской, Московской и Иркутской областях.
Группа "Илим" — ведущая компания в сфере производства целлюлозы и бумаги в России. Большая часть российской товарной целлюлозы – 75%, а также 20% картона и 10% бумаги производятся на комбинатах этой компании. Предприятия находятся в различных регионах России: в Ленинградской, Архангельской, Московской и Иркутской областях.
Цели и задачи
Разработка новой технологии стартовала благодаря запросу нашего клиента. История нашего сотрудничества с компанией СФК насчитывает не один проект. Ранее для клиента мы разработали сайт, кастомную CRM, а отдел 1С помог автоматизировать внутренние процессы.
В 2021 г. клиент обратился к нам с проблемой: компании было необходимо оперативно собирать, обновлять и анализировать информацию о лесных участках и породах деревьев. Приняв во внимание удаленность и масштабы участков, мы предложили клиенту использовать беспилотные летательные аппараты (БПЛА) для сбора данных, а результаты представлять в удобной визуальной форме для выбора перспективных площадок для рубки.
На момент запроса выбор участков для рубки производился в ручном режиме. Этот процесс очень трудоемкий и времязатратный, ведь требуется организовать логистику и обеспечить условия проживания для сотрудников. К тому же люди проводят исследование в разы медленнее, по сравнению с БПЛА, а результаты крайне подвержены влиянию человеческого фактора.
Цель: повысить эффективность процесса лесозаготовки за счет оптимального выбора участков.
Задачи:
В 2021 г. клиент обратился к нам с проблемой: компании было необходимо оперативно собирать, обновлять и анализировать информацию о лесных участках и породах деревьев. Приняв во внимание удаленность и масштабы участков, мы предложили клиенту использовать беспилотные летательные аппараты (БПЛА) для сбора данных, а результаты представлять в удобной визуальной форме для выбора перспективных площадок для рубки.
На момент запроса выбор участков для рубки производился в ручном режиме. Этот процесс очень трудоемкий и времязатратный, ведь требуется организовать логистику и обеспечить условия проживания для сотрудников. К тому же люди проводят исследование в разы медленнее, по сравнению с БПЛА, а результаты крайне подвержены влиянию человеческого фактора.
Цель: повысить эффективность процесса лесозаготовки за счет оптимального выбора участков.
Задачи:
- Разработать технологию, которая позволит определять породы деревьев с помощью БПЛА и алгоритмов машинного обучения;
- Сократить время сбора и повысить точность информации об участках для рубки, используя данные съемки с БПЛА;
- Реализовать возможность представления полученных данных в удобном формате интерактивных карт.
Решение
Первым шагом к разработке стало изучение и анализ множества научных статей на тему съемки и распознавания объектов с помощью БПЛА.
Для аэрофотосъемки с использованием мультиспектральной камеры (ее данные позволяют различать породы деревьев) мы привлекли нашего партнера-подрядчика.
Затем мы разработали технологию, которая по съемке с мультиспектральной и обычной камер выделяет отдельные деревья и вычисляет признаки этих деревьев. По выделенным признакам модель машинного обучения предсказывает породу, а затем для каждой породы своя модель машинного обучения оценивает запас древесины.
Для аэрофотосъемки с использованием мультиспектральной камеры (ее данные позволяют различать породы деревьев) мы привлекли нашего партнера-подрядчика.
Затем мы разработали технологию, которая по съемке с мультиспектральной и обычной камер выделяет отдельные деревья и вычисляет признаки этих деревьев. По выделенным признакам модель машинного обучения предсказывает породу, а затем для каждой породы своя модель машинного обучения оценивает запас древесины.
Особенности проекта
1
Полевой сбор данных
Разработка алгоритма потребовала проведения полевого сбора данных. Точность предсказания модели зависит от объема и качества обучающей выборки. Поэтому после проведения аэрофотосъемки, наши специалисты вручную собрали информацию об образцах деревьев (порода, высота, обхват на уровне груди и ширина кроны), сопоставив каждый объект со снимками с беспилотника.
Сбор осложняется тем, что не к каждому дереву легко подойти — мешают естественные преграды в виде кустов, высокой травы и самих деревьев (ветви). Также специалист должен уметь ориентироваться на местности и соотносить снимки сверху с реальным расположением объектов на земле, что также не всегда просто. Поэтому для сбора полевых данных мы разработали собственное мобильное приложение. В приложение загружается набор фотографий с БПЛА с координатами. Текущее местоположение устройства отслеживается и отображается на карте. Пользователи могут добавлять метки различных классов, которые синхронизируются между всеми устройствами, показывая общее количество каждого класса меток. Каждые несколько минут приложение записывает текущее местоположение в логи.
Слева: основной рабочий экран, справа: ортофотоплан, наложенный на google maps.
Несмотря на вспомогательные меры, сбор полевых данных для обучения модели занял у нашей команды около 1,5 месяцев кропотливой работы.
Стек технологий
- Python, R;
- специализированный софт.
Результат
У нас получилось разработать технологию определения параметров лесных массивов, которая позволила снизить убытки клиента при выборе участка для лесозаготовки на 30% и сократить время принятия решений в 10 раз.
Наша разработка способствует увеличению объективности данных о лесных участках благодаря применению искусственного интеллекта и мультиспектральной съемке с БПЛА. Вся информация представляется в виде подробных интерактивных карт, которые можно использовать в веб-интерфейсе. На картах представлены актуальные данные, к которым можно получить доступ как онлайн, так и оффлайн.
Использование БПЛА обеспечивает возможность выполнения работ по сбору данных на обширных и отдаленных территориях, а также оперативный сбор данных на обширных участках с минимальным вмешательством человека, что гарантирует точность и достоверность исходных данных. Разработанный метод оценки лесных ресурсов позволяет детализировать информацию о запасах древесины при выборе участков для вырубки.
За 3 года работы на проекте с СФК мы исследовали для клиента более 13000 га леса в Алтайском крае, собрали 6 000 модельных деревьев и разработали алгоритм, определяющий породный состав на основании данных с беспилотников с 85% точностью, запас — с 95% точностью.
В 2023 году мы начали сотрудничество с группой ИЛИМ, отсняли более 2500 га леса в Иркутской области, собрали 2000 модельных деревьев. В результате, наша команда не только улучшила алгоритм, но и успешно реализовала проект по разделению хвойных деревьев на породы.
Наша разработка способствует увеличению объективности данных о лесных участках благодаря применению искусственного интеллекта и мультиспектральной съемке с БПЛА. Вся информация представляется в виде подробных интерактивных карт, которые можно использовать в веб-интерфейсе. На картах представлены актуальные данные, к которым можно получить доступ как онлайн, так и оффлайн.
Использование БПЛА обеспечивает возможность выполнения работ по сбору данных на обширных и отдаленных территориях, а также оперативный сбор данных на обширных участках с минимальным вмешательством человека, что гарантирует точность и достоверность исходных данных. Разработанный метод оценки лесных ресурсов позволяет детализировать информацию о запасах древесины при выборе участков для вырубки.
Карта преобладающей породы
Квартально-выдельная сеть (оценка запаса березы по выделам)
За 3 года работы на проекте с СФК мы исследовали для клиента более 13000 га леса в Алтайском крае, собрали 6 000 модельных деревьев и разработали алгоритм, определяющий породный состав на основании данных с беспилотников с 85% точностью, запас — с 95% точностью.
В 2023 году мы начали сотрудничество с группой ИЛИМ, отсняли более 2500 га леса в Иркутской области, собрали 2000 модельных деревьев. В результате, наша команда не только улучшила алгоритм, но и успешно реализовала проект по разделению хвойных деревьев на породы.
Юлия Исмайылова
Ведущий CV-разработчик
Данный проект — самый настоящий “research”. Очень много материала было изучено командой. В работе часто всплывают нюансы из разных сфер (про лес, данные и беспилотники), в которых нужно ориентироваться и обязательно учитывать. И это не говоря о процессе сбора данных — за это отдельно хочется поблагодарить ребят из нашей команды, которые бесстрашно раз за разом отправляются в леса.
Команда проекта
- Научный руководитель
- Ведущий CV-разработчик
- ML-разработчик
- Инженер
Отзыв клиента
Демиденко С.А.
Руководитель направления по развитию технологий таксации и лесоустройства Отдел по Лесной политике АО "Группа "Илим" ЦО
Настоящим письмом АО «Группа «Илим» сообщает, что силами компании ООО «Диджитал Ресерч» в августе 2023 года на территории арендной базы Компании в Иркутской области проведены натурные испытания по данным съемки цифровой и мультиспектральной камерами с беспилотных воздушных судов с дальнейшей обработкой полученных данных на основе методов машинного обучения.
Были выявлены положительные моменты, в частности: сокращение времени на получение характеристик насаждений, снижение влияния человеческого фактора на получение результатов при натурных измерениях, возможность сплошного учета произрастающих на площади деревьев.
АО «Группа «Илим» заинтересована в технологии, ускоряющей процесс таксации лесных массивов, видит преимущества в использовании беспилотных воздушных средств для данных целей и считает перспективным реализацию проекта AeroForest ("Разработка программного средства автоматического определения параметров лесных массивов на основе машинного обучения по данным мультиспектральной съемки с беспилотных воздушных судов").
Будем рады работать с вами!
Напишите нам — обсудим ваши цели и задачи,
поможем с идеями, разработаем качественный продукт.