| Anotācija |
Šajā bakalaura darbā tiek pētīta uz mākslīgo intelektu un mašīnmācīšanos balstītas
mežu monitoringa un lēmumu atbalsta sistēmas izstrāde, kas izveidota, lai palīdzētu
automatizēt mežu kontroles darbības. Projekts koncentrējas uz koku noteikšanu un
pašreizējās situācijas identificēšanu no meža video materiāliem, kā arī analizē
pašreizējo koku izvietojumu mežā, lai sniegtu ieteikumus par selektīvu koku izciršanu
vai saglabāšanu.
Galvenais projekta mērķis ir izstrādāt pilnīgu prototipa sistēmu, kas apvieno datorredzi,
mašīnmācīšanos, telpisko analīzi un uz noteikumiem balstītu lēmumu pieņemšanu
vienotā sistēmā. Sistēma apstrādā video ievadi, kas uzņemta izvēlētā meža teritorijā, un
pārvērš to strukturētā datu kopumā, ko var izmantot analīzes un lēmumu atbalsta
ģenerēšanai. Darbplūsma sākas ar video ierakstu, kur kamera filmē mežu, pārvietojoties
pa izvēlēto maršrutu. Ierakstītais video pēc tam tiek apstrādāts, izmantojot OpenCV, lai
iegūtu atsevišķus kadrus, kurus izvēlas sistēmas lietotājs. Šie kadri tiek manuāli
marķēti, izmantojot Roboflow platformu, lai izveidotu marķētu datu kopu. Pēc tam
izveidotā datu kopa tiek izmantota YOLOv8 objektu noteikšanas modeļa apmācībai,
kas spēj identificēt kokus un krūmus meža attēlos.
Procesa rezultāti ietver robežrāmjus (bounding boxes), ticamības rādītājus (confidence
scores), kā arī attālumu pikseļos, kas tiek tālāk apstrādāti, lai novērtētu koku relatīvās
vektoru pozīcijas. Pamatojoties uz šīm telpiskajām koordinātām, tiek ģenerēta
vienkāršota meža struktūra 2D vai 3D vizualizācijas formā vektoru mērogā. Pēc tam
tiek pielietota uz noteikumiem balstīta lēmumu sistēma, lai klasificētu kokus divās
kategorijās: IZCIRST vai SAGLABĀT. Klasifikācija balstās uz tādiem noteikumiem
kā relatīvais koka izmērs, blīvums un attālums starp blakus esošajiem kokiem. Koki,
kas atrodas pārpildītos reģionos vai izskatās mazāki, parasti tiek atzīmēti izciršanai,
savukārt lielāki un dominējošie koki tiek atzīmēti saglabāšanai.
Sistēmas rezultāti pierāda, ka mākslīgais intelekts var tikt efektīvi izmantots ar
mežsaimniecību saistītos uzdevumos, piemēram, koku vai objektu noteikšanā un
telpiskajā analīzē. Tomēr pašreizējo izstrādi ierobežo datu kopas nelielais apjoms,
LiDAR un GPS noteikšanas trūkums, kā arī telpiskās novērtēšanas aptuvenais raksturs.
Neskatoties uz šiem ierobežojumiem, projekts veiksmīgi demonstrē inteliģentas
iv
mežsaimniecības lēmumu atbalsta sistēmas darbspējīgu prototipu un nodrošina pamatu
turpmākajiem pētījumiem AI balstītās mežu monitoringa un pārvaldības sistēmās |
| Atslēgas vārdi angļu valodā |
Computer Vision, YOLOv8, Forest Monitoring, Object Detection, Decision Support System, Spatial Analysis, Deep Learning |
