Приложение Steward разработано для обнаружения освещенности неба, чтобы определить пути движения солнца и подходящую сторону для посадки растений.
Решение.
1. Для маркированного набора данных мы очистили его от повторяющихся изображений и изображений вне здания, затем проанализировали сортировку и создали маску неба для каждого изображения.
2. Далее мы сегментировали каждое изображение, используя метод на основе графа. Были выбраны следующие параметры: scale = 10000, sigma = 0.01, min_size = 1000.
Далее, для сегмента мы рассчитали массив из 9 объектов и, используя маску, рассчитали, является ли этот сегмент небом (если более 80 процентов из приращений сегмента — небо, тогда сегмент — небо)
3. Затем мы установили библиотеку для изучения SVM с использованием GPU, чтобы ускорить процесс обучения. Затем мы проверили ядра и параметр C для SVM и проверили, какие из них наиболее подходят для нас, на тестовых данных, которые мы получили, используя ядро rbf и C = 10000.
4. Далее мы взяли все сегменты, на которых есть небо, и объединили их с количеством сегментов неба, не в два раза меньшим, чем первый. Затем мы создали второй набор данных, взяв все сегменты, чтобы получить соотношение неба: не неба 1: 9. Мы обучили 2 SVM на этих двух наборах данных, один набор данных более точно идентифицирует сегменты неба, а не второй регион неба.
5. На данный момент у нас есть точность первой сети 97,87 и второй 95,7 процента, мы поясняем, что здесь точность означает, что вероятность не делает ошибку при классификации сегмента, то есть эти два SVM довольно точны, но они могут пропустить некоторые сегменты.
6. Чтобы точно не пропустить районы, мы собираемся интегрировать эти два SVM.
Вот пример результата
Это обнаружение используется для измерения количества освещения в алгоритме, который выбирает, какое растение будет хорошо расти, а какое нет.
Команда — 2 ML devs, 1 Unity3d dev, 1 iOS dev, image labeling team,
Срок разработки — 2 мес.