Uitleg beeldherkenning en Remote Sensing

Home » Uitleg beeldherkenning en Remote Sensing
Beeldherkenning

Wat is (het principe van) beeldherkenning?

Beeldherkenning is een techniek waarmee relevante informatie uit een (foto)beeld kan worden gehaald, bijvoorbeeld een ziekte in een landbouwgewas, kanker in een long, of het herkennen van een insect op een foto. Over het algemeen werkt zo’n techniek met een grote verzameling fotobeelden waarvan de relevante informatie al bekend is, bijvoorbeeld 1000 foto’s met de ziekte en 1000 zonder de ziekte. Samen vormen die een training set. Door de computer te voeden met een zo groot mogelijke training set kan er een algoritme uit worden afgeleid waarmee op basis van een foto ingeschat kan worden of er wel of niet sprake is van bijvoorbeeld een ziekte. Het algoritme is de weerslag van wat de computer heeft geleerd (getraind). Als je het algoritme toepast op een foto dan schat het in of er wel of niet sprake is van ziekte.

Artificial Intelligence

De technieken waarmee zo’n algoritme wordt afgeleid, worden gevangen onder de Engelse term artificial intelligence (AI). De AI technieken die zijn ontwikkeld voor beeldherkenning kunnen ook worden toegepast op fotobeelden van grasland om kruidenrijkdom te detecteren. Dat gaan we in dit project uitproberen en daarvoor hebben we dus een grote training set nodig met foto’s van grasland, waarvan de kruidenrijkdom bekend is. Daarnaast kunnen we ook foto’s van grasland gebruiken, waarvan de kruidenrijkdom nog niet bekend is, om de schatting van de beeldherkenning te vergelijken met die van het Remote Sensing algoritme.

Eén van de AI technieken heet neuraal netwerk (NN). Dit is een statistisch model waarvan de structuur is geïnspireerd op zenuwcellen in de hersenen met hun onderlinge verbindingen. Door een dergelijk netwerk heel veel foto’s van graslanden te tonen met het bijhorend type uit de typologie kun je zo’n netwerk leren om zelfstandig het juiste type grasland te herkennen. Zo’n netwerk is nog niet zo veelzijdig als echte hersenen, daarom is het belangrijk dat de foto’s waarmee het netwerk getraind wordt en de foto’s die je wilt laten herkennen van dezelfde kwaliteit zijn. Dit is ook de reden waarom storende objecten op de foto’s zoals een hekwerk, een fiets of een koe moeten worden vermeden. Het algoritme herkent zo’n object niet als zodanig en daarom wordt het geïnterpreteerd als een eigenschap van het grasland. Dat leidt onvermijdelijk tot verwarring.

Er zijn apps zoals Obsidentify en Plantnet (zie hieronder), die met een foto van een plant of dier de soort kunnen herkennen. Deze apps zijn ook gebaseerd op een neuraal netwerk en een grote verzameling detail foto’s, bijvoorbeeld van Waarneming.nl. Wij zijn van plan om de kruidenrijkdom van hele percelen te herkennen in plaats van individuele soorten. De foto’s die in dit project verzameld worden zijn daarom van een te grote afstand gemaakt om genoemde apps te kunnen gebruiken. Bovendien kunnen twee graslanden even kruidenrijk zijn, maar andere kruiden bevatten.

Voorbeelden van apps voor beeldherkennning van planten (PlantNet) of planten en dieren (Obsidentify). PlantNet werkt met foto’s van blad, bloem, vrucht, schors of habitus (hele plant). Beide zijn beschikbaar in de app store. Belangrijk verschil met de beeldherkenning die wij gaan ontwikkelen is dat deze apps werken voor individuele soorten, terwijl de beeldherkenning uit onze PPS werkt voor een heel perceel.
Remote Sensing