Метод гауссова обучения нейронной сети для решения задачи распознавания многоспектральных спутниковых изображений

Рассмотрено различие в использовании методов компьютерного зрения по Гауссу и машинного обучения, применяемых для обработки многоспектральных спутниковых снимков при обнаружении и распознавании объектов исследования --- банановых плантаций в районе Эль-Порвенир на побережье Эквадора. С учетом методов компьютерного зрения, машинного обучения, обработки многоспектральных спутниковых изображений и косвенных данных растров после расчета индексов вегетации NDVI и NDWI выполнена классификация растительности и водных объектов. Проведение анализа данных многоспектральных спутниковых изображений осложняет наличие облачности и растров. Метод машинного обучения при маркировке данных с валидацией по показателям вегетации применяется при сегментации классов, не участвующих в анализе компьютерного зрения при обнаружении и распознавании объекта исследования. Вероятность приведенных положительных экспериментальных результатов составляет ~ 96 %. Предлагаемые методы обнаружения и распознавания объектов на многоспектральных спутниковых изображениях могут быть внедрены в сельскохозяйственные системы для улучшения, анализа и оценки потребностей в сельскохозяйственных культурах, являющихся частью сельского хозяйства как первичного сектора экономики, для удовлетворения потребностей производства продуктов питания и сырьевых материалов. Таким образом, в условиях повышенного спроса на сельскохозяйственную продукцию необходимо внедрение технологий, гарантирующих качество и высокую производительность сельскохозяйственной техники

The methods of Gaussian computer vision and machine learning used to process multispectral satellite images in the detection and recognition of research objects --- banana plantations in the area of El Porvenir on the coast of Ecuador --- are considered. Using computer vision and machine learning techniques, processing of multispectral satellite images and indirect raster data after calculating NDVI and NDWI vegetation indices, classification of vegetation and water objects was performed. The analysis of multispectral satellite image data is complicated by the presence of clouds and rasters that do not contain data other than the object of study. The machine learning method when labeling data with validation by vegetation indices is used in segmentation of classes that do not participate in the computer vision analysis in the detection and recognition of the research object. The probability of the given positive experimental results is ~ 96 %. The proposed methods of objects detection and recognition on multispectral satellite images can be implemented in agricultural systems to improve, analyze and assess the needs of crops, which are part of agriculture as the primary sector of the economy, to meet the needs of food and raw materials production. Thus, with the increased demand for agricultural products, it is necessary to introduce technologies that guarantee the quality and high productivity of agricultural machinery