Исследуется применение нейросетевых архитектур для семантической сегментации нор грызунов с целью мониторинга их популяции на сельскохозяйственных полях. В частности, рас- сматриваются три модели для семантической сегментации: сверточный автокодировщик (САК), SegNet и U-Net. Эти модели применяются для анализа изображений, полученных с беспилотных летательных аппаратов (БпЛА) и наземных роботизированных средств (РТС), что позволяет автоматически выявлять норы, минимизируя необходимость в трудозатратах при обработке больших объемов данных. Для обучения и тестирования моделей была подготовлена выборка, включающая 247 RGB-изображений, содержащих 1098 размеченных нор. Оценка показателей ка- чества семантической сегментации проводилась с использованием метрики Джаккара (IoU), в результате чего были получены следующие значения: 0,511 для САК, 0,548 для SegNet и 0,529 для U-Net. Была проведена оценка вычислительных ресурсов, необходимых для внедрения этих моделей в бортовые вычислительные устройства (БВУ) мобильных РТС. Рассмотрены два критерия: ко- личество операций с плавающей точкой (GFLOPS) и количество параметров моделей. Результа- ты показали, что SegNet требует 2,23 GFLOPS и имеет 0,76 миллиона параметров, что в 2,58 и 2,33 раза меньше по сравнению с САК и U-Net соответственно. Количество операций с плавающей точкой для SegNet также оказалось на 2,43 и 1,88 раза ниже, чем у САК и U-Net соответственно. В результате, SegNet превзошла САК и U-Net как в эффективности сегментации, так и в требуе- мых вычислительных ресурсах. Данная работа выполнялась в рамках реализации системы компь- ютерного зрения сельскохозяйственной РТС.
