Seagrass Health Monitoring Using USV & UAV Data with Machine Learning

Summary

Dette prosjektet undersøkjer forskjellige maskinlæringsmetodar for å overvåke ålegrasenger. Målet er å bestemme ålegrasenga sin dekningsgrad og mengde begroingsalgar for å kunne måle informasjon om seasongvariasjonar. For å få til dette er det brukt UAV og USV løysingar for å hente inn data. Disse datane er brukt til å trene opp maskinlæringsmodellar og analysere sesongvariasjonane. Datasett som blir nytta i prosjektet inkluderar UAV-bilder frå ulike månadar i 2023, undervassbileter frå ein USV brukt i september, diverse målingar gjort manuelt med GNSS mottakar og treningsdataset laga manuelt i GIS-verktøy. Prosjektet dekkar også metodane for treining og oppsett av dei diverse maskinlæringsmetodane, samt nokon bildeaugmentasjonsteknikkar. Resultata viser at ein CNN-model effektivt kan annotere bilder frå USV, der modelen klarer å lage generaliserte løysingar for å skille ulike havbotnhabitat. For UAV-kart blei både SVM og FCN-modellar testa. SVM modellen fekk generelt log treffsikkerheit og ein del prikka prediksjonar, men klarte generelt å treffe på mange havbotnhabitat. For FCN-modellen fekk den høgare treffsikkerheit. Etterbehandling av resultata frå FCN-modelen blei gjort. Då blei aralet for kvar havbotnklasse kalkulert, i tilegg blei kart med prosentvis dekning laga med 1x1 kvadratmeter seksjonar.