МЕТОДИ РОЗПІЗНАВАННЯ ТА СЕГМЕНТАЦІЇ АЕРОФОТО ДЛЯ ЦИФРОВИХ КАРТ

Анотація

У статті розглянуто методологію розпізнавання та сегментації аерофотознімків із метою автоматизації нанесення будівель та споруд на карти OpenStreetMap (OSM). Актуальність дослідження обумовлена необхідністю зменшення ручної праці волонтерів, які наповнюють базу даних OSM, та підвищення точності просторового відображення об’єктів. Для досягнення поставленої мети автором створено власний датасет, що містить супутникові зображення населених пунктів центральної та західної України з географічною прив’язкою, масками будівель та роздільною здатністю близько 0,6 м/піксель. У роботі проведено порівняння трьох моделей глибинного навчання для розпізнавання об’єктів: GeoAI (ResNet-34), YOLO v8m та YOLO v8n. Навчання здійснювалось у 200 епох із поділом даних у співвідношенні 80/20. За результатами експериментів, найкращу узагальнену точність показала модель YOLO v8m (Precision ≈ 0.797, mAP50 ≈ 0.777), тоді як GeoAI мала нижчі значення IoU = 0.63 та Dice = 0.68. Водночас легша модель YOLO v8n виявила вищу чутливість до дрібних об’єктів, що пояснюється меншою кількістю параметрів і ширшим полем сприйняття. Окрему увагу приділено постобробці результатів сегментації – ортогоналізації контурів виявлених споруд і перетворенню даних у формат geoJSON, сумісний з екосистемою OSM. Запропоновано алгоритм спрощення полігонів до 4–10 вершин із мінімальною втратою форми для підвищення ефективності нанесення об’єктів на мапу. Отримані результати підтверджують доцільність використання моделей глибинного навчання для автоматизації картографічних процесів. Запропонований підхід може бути основою для створення сервісу, який автоматично генеруватиме шари будівель на OSM за координатами обраної ділянки, що значно оптимізує процес оновлення картографічних даних та підвищить їхню якість.