Картирование сорняков с помощью нейросетевых методов на примере культур табака и пшеницы

Разработать пайплан для автоматической детекции/сегментации (на основе SOTA нейросетевых методов) сорняков на цветных снимках сельскохозяйственного поля с целью определения их количества, площади распространения и последующей ликвидации. Входными данными являются цветные изображения высокого разрешения с/х поля с табаком или пшеницей, полученные с беспилотных летательных аппаратов (БПЛА) или наземных камер (RGB или мультиспектральной). Формат входных/выходных изображений: JPEG/GeoTIFF/TIFF. Задачи: - найти датасет сорняков для пшеницы и табака; - разметить данные на новом датасете, используя автоматические техники разметки данных; - найти и происследовать разные нейросетевые методы для выделения посевов табака и сорных растений; - сравнить точность моделей, найти методы с высокой точностью детекции сорняков (метрика: IoU - не менее 90%]). - обеспечить низкую вычислительную сложность алгоритма для обработки изображений высокого разрешения и больших размеров. - разработать интерфейс для визуализации результатов детекции (маска сегментации, метки bounding boxes). Этапы работы: - Анализ существующих методов сегментации/детекции изображений. - Выбор и адаптация наиболее подходящих методов. - поиск датасетов с сорняками, табаком/пшеницы. - Разработка и обучение модели на найденном наборе данных. - Тестирование и валидация модели на независимом тестовом наборе. - Оценка производительности модели по заданным метрикам. - Разработка интерфейса для обработки изображений. Технологии: Python, TensorFlow/PyTorch, OpenCV