Применение БПЛА для распознавания скота, их нахождения и прогнозирование их миграции.

Причинно-следственная цепочка:

·        Обнаружение пропажи скота

·        Запуск БПЛА, дрона оборудованным камерой и запрограммированный програмным обеспечением, интегрированный с системой мониторинга (отправка информации о обнаружении скота в той или иной локации)

·        Обнаружение дроном потерявшегося скота в два отрывка времени, отправка информации о его геолокации в систему мониторинга)

·        Вычисление будущее направление миграции скота, зная скорость передвижения, местоположение в двух временных отрезков.

Процесс работы нейронной сети:

Система работы программы сделано на языке программирования python и нейронной модели YOLO v5. YOLOv5- это мощный алгоритм обнаружения объектов, разработанный Ultralytics. За один проход сеть YOLO прогнозирует для изображения положение ограничивающих прямоугольников и вероятности классификации.

предсказывает координаты определённого количества bounding box'ов с результатами классификации и вероятности нахождения объекта, и в дальнейшем корректируя их местоположение. В целом такую архитектуру можно представить в следующем виде:

Для использования нейросети ее с начала нужно натренировать.

Для тренировки нейросети нам понадобится:

• сама библиотека yolov5 (есть на pypi и на github)
• предобученные веса (можно найти на github)
• файл .yaml (в нем указываются пути до тренировочной и валидационной выборок, а также количество классов и их метки)
• собственно, датасет
• GPU с драйвером CUDA, совместимым с версией pytorc

Датасет должен быть разделен на две папки: train (тренировочная выборка) и val (валидационная).

Формат подразумевает, что каждая строка текстового файла представляется в виде:

n, x, y, w, h, где

n — номер класса объекта

x — относительная координата bounding box’а объекта по оси Ox

y — относительная координата bounding box’а объекта по оси Oy

w — относительная ширина bounding box’а объекта

h — относительная высота bounding box’а объекта

Перед запуском обучения обязательно надо запустить параметры:

1.     —img — размер изображения.

2.     —batch — размер батча.

3.     —epoch — количество эпох для обучения.

4.     —data — путь до .yaml файла.

5.     —weights — путь до файла весов (нужны предобученные веса, чтобы не обучаться с нуля).

6.     —name — куда сохраняем результаты обучения.

7.     —workers — количество потоков, на которых запускаем.

Далее пишем программу запуска тренировки:

python yolov5/train.py --img 896 --batch 8 --epoch 300 --data ./dataset.yaml --weights ./yolov5x.pt --name result --workers 2

Использование:

Для запуска нейроной сети надо написать в терминал следующие команды:

Python neiron.py(название файла) –source 5(порядковый номер камеры)

После запуска программы запустится экран камеры где будут обнаруживаться объекты:

При обнаружении дроном объекта на систему мониторинга приходит информация о обнаружении объекта и его геолокация благодаря GPS трекеру на дроне.

После повторного обнаружение через промежуток времени можно определить направление и скорость передвижение потерявшегося скота по формуле Гаверсинуса:

Пример использования: