РАСПОЗНАВАНИЕ СТВОЛОВ ДЕРЕВЬЕВ С ИСПОЛЬЗОВАНИЕМ ЧЕТЫРЕХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ

Луйкин В. И. Лобов Д. В. Логинов Д. В

Об авторах

Луйкин В. И. Лобов Д. В. Логинов Д. В

Луйкин Владимир Ильич - инженер-программист-разработчик ООО «Неосервис», 185028 г. Петрозаводск, Первомайский пр. д. 54. Область научных интересов: системное программирование. ORCID: 0009-0002-5147-6044

Лобов Денис Владимирович - к.ф.-м.н. доцент, ФГБОУ ВО Петрозаводский государственный университет, 185910, г. Петрозаводск, ул. Ленина, 33. Область научных интересов: физическое материаловедение, компьютерное моделирование физических систем, модели искусственного интеллекта. ORCID: 0009-0007-7981-9383

Логинов Дмитрий Владимирович - к.ф.-м.н. доцент КФТТ, ФГБОУ ВО Петрозавод- ский государственный университет, 185910, г. Петрозаводск, ул. Ленина, 33. Область научных интересов: физическое материало- ведение, компьютерное моделирование физических систем, модели искусственного интеллекта. ORCID: 0000-0003-3255-2603

Скачать PDF

УДК: 004.932.2
DOI: 10.24412/2413-7383-2026-1-40-50-62
Язык: Русский

Аннотация: Данная статья посвящена исследованию применимости современных архитектур нейронных сетей (Faster R-CNN, YOLOv11x, DETR, RetinaNet) для автоматического распознавания стволов деревьев в условиях лесов Республики Карелия. В ходе работе собран и размечен специализированный датасет, сочетающий открытые данные и собственные изображения, адаптированные под специфику северных лесных экосистем. Экспериментально установлено, что модель Faster R-CNN демонстрирует наивысшую точность детекции (mAP@0.5 = 0.659), в то время как YOLOv11x обеспечивает оптимальный баланс между точностью и скоростью обработки (15.33 FPS), что критически важно для систем реального времени. Результаты исследования подтверждают практическую возможность автоматизации задач инвентаризации и мониторинга лесов с использованием методов компьютерного зрения, указывая на необходимость дальнейшего расширения датасетов для улучшения обобщающей способности моделей.

Ключевые слова: искусственный интеллект, машинное зрение, распознавание объектов, модели машинного обучения, лесной комплекс.

Список литературы

1. Шишкин А. И. Костюкевич В. В. Роль лесного комплекса в экономике республики Карелии // Экономика и управление. 2012. №5 (79). URL: https://cyberleninka.ru/article/n/rol-lesnogo-kompleksa- v-ekonomike-respubliki-karelii
2. Аблоухов С. И. Егупов Р. Д. Лобов Д. В. Детектирование стволов деревьев на основе алгоритмов библиотеки OpenCV // Инновационная наука. 2016. №5-3 (17). URL: https://cyberleninka.ru/article/n/detektirovanie-stvolov-dereviev-na-osnove-algoritmov-biblioteki-opencv
3. Vincent Grondin et al. Tree detection and diameter estimation based on deep learning // Forestry: An International Journal of Forest Research, Volume 96, Issue 2, April 2023, Pages 264–276, URL: https://doi.org/10.1093/forestry/cpac043
4. Maciel Zortea et al. Oil-Palm Tree Detection in Aerial Images Combining Deep Learning Classifiers // 2018 IEEE International Geoscience and Remote Sensing Symposium, Spain, pp. 657-660, URL: https://doi.org/10.1109/IGARSS.2018.8519239
5. Liu, X. Ghazali, K. H. Han, F. & Mohamed, I. I. 2020. Automatic Detection of Oil Palm Tree from UAV Images Based on the Deep Learning Method. Applied Artificial Intelligence, 35(1), 13–24. URL: https://doi.org/10.1080/08839514.2020.1831226
6. Lee, H.Y. Ho, H.W. & Zhou, Y. Deep Learning-based Monocular Obstacle Avoidance for Unmanned Aerial Vehicle Navigation in Tree Plantations // J Intell Robot Syst 101, 2021, URL: https://doi.org/10.1007/s10846-020-01284-z
7. Савченко Г. А. Забелина В. А. Терехов В. И. Определение породного состава насаждений по изображению стволов с последующей аугментацией данных // ИИАСУ'22. Искусственный интеллект в автоматизированных системах управления и обработки данных: сборник статей Всероссийской научной конференции, Москва, 27-28 апреля 2022 г.: в 2 т. / МГТУ им. Н. Э. Баумана (национальный исследовательский у-т). – М.: Изд-во МГТУ им. Н. Э. Баумана, 2022. – ISBN 978-5- 7038-5910-0. Т. 1. 2022. С. 359-364 URL: URL: https://www.elibrary.ru/item.asp?id=49219364
8. Жук К.Д. Угрюмов С.А. Свойкин Ф.В. Распознавание пород деревьев в процессе лесозаготовки с применением методов машинного обучения // Известия Санкт-Петербургской лесотехнической академии, 2023. Вып. 242. С. 167-178. URL: https://www.elibrary.ru/item.asp?id=50504403
9. Говядин, И. К. Метод измерения диаметров деревьев на основе технологий искусственного интеллекта / И. К. Говядин, А. Н. Чубинский, А. С. Алексеев // Известия Санкт-Петербургской лесотехнической академии. 2024. – № 249. – С. 177-194. – DOI 10.21266/2079-4304.2024.249.177-
10. – EDN RAHSSN.
11. Каримов, Б. М. Искусственный интеллект в лесной отрасли:возможности и перспективы / Б. М. Каримов, И. К. Говядин // Современные тренды управления и цифровая экономика: от регионального развития к глобальному экономическому росту: сборник статей V Международной научно-практической конференции, Екатеринбург, 10 августа 2023 года / Институт цифровой экономики и права. – Екатеринбург: Общество с ограниченной ответственностью "Институт Цифровой Экономики и Права", 2023. С. 334-338. EDN ZNKGZM.
12. Жук, К. Д. Распознавание пород деревьев в процессе лесозаготовки с применением методов машинного обучения / К. Д. Жук, С. А. Угрюмов, Ф. В. Свойкин // Известия Санкт-Петербургской лесотехнической академии. 2023. № 242. С. 167-178. DOI 10.21266/2079-4304.2023.242.167-178. – EDN RZMZUR.
13. S. Ren, K. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. // S. Ren, K. He, R. Girshick, J. Sun / Computer Vision and Pattern Recognition, 2015 URL: https://doi.org/10.48550/arXiv.1506.01497 ЛК Луйкин В. И. Лобов Д. В. Логинов Д. В.
14. PyTorch (Torchvision) Faster-RCNN Documentation: This is the standard, actively maintained implementation in the PyTorch ecosystem. URL: http://docs.pytorch.org/vision/main/models/faster_rcnn.html
15. R. Khanam: YOLOv11: An Overview of the Key Architectural Enhancements // R. Khanam, M. Hussain / Computer Vision and Pattern Recognition, 2024. URL: https://doi.org/10.48550/arXiv.2410.17725
16. YOLOv11x Documentation. URL: https://docs.ultralytics.com/models/yolo11/
17. Carion, N. Massa, F. Synnaeve, G. Usunier, N. Kirillov, A. & Zagoruyko, S. 2020. End-to-End Object Detection with Transformers. URL: https://doi.org/10.48550/arXiv.2005.12872
18. DETR Documentation: URL: https://huggingface.co/docs/transformers/model_doc/detr
19. Lin, T.-Y. Goyal, P. Girshick, R. He, K. & Dollár, P. (2018). Focal Loss for Dense Object Detection. URL: https://doi.org/10.48550/arXiv.1708.02002
20. PyTorch (Torchvision) RetinaNet Documentation: URL: https://docs.pytorch.org/vision/main/models/retinanet.html
21. NVIDIA Tesla T4 Tensor Core GPU Product Brief // NVIDIA. [Электронный ресурс].

Выпуск: 1(40)'2026
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Луйкин В. И. Лобов Д. В. Логинов Д. В. РАСПОЗНАВАНИЕ СТВОЛОВ ДЕРЕВЬЕВ С ИСПОЛЬЗОВАНИЕМ ЧЕТЫРЕХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 50-62. - https://paijournal.guiaidn.ru/ru/2026/1(40)-5.html

Назад к выпуску 1(40)'2026