Россия
сотрудник с 01.09.1988 по настоящее время
Воронежский государственный лесотехнический университет имени Г.Ф. Морозова
В работе рассматриваются основные методы оцифровки архивных геологических карт, их основные преимущества и недостатки. Описывается процесс обработки изображений геологической карты каждого метода оцифровки.
геологическая карта, ручной метод оцифровки, полуавтоматический метод оцифровки, автоматический метод оцифровки, векторизация, геоинформационные системы, нейронная сеть
С каждым днем объем геологических данных стремительно растет, в том числе за счет сохраненных в архивах старых геологических карт. Эти карты содержат ценную информацию о геологической структуре и ресурсах земной коры, однако их использование и анализ требуют трудоемких процессов оцифровки и интерпретации.
Оцифровка любого картографического материала, в частности архивных геологических карт, состоит из следующих этапов:
- Наличие исходных данных. Основой для создания цифрового картографического материала (ЦКМ) служат старые архивные материалы с изображением топографического плана. Это могут быть планшеты на жесткой основе (фанера или алюминиевые пластины), на кальке или лавсановой плёнке вычерченные тушью, а также бумажные копии выполненные в электронном виде.
- Сканирование. Для того чтобы перевести в электронный вид (оцифровать) картографический материал, используется сканер или цифровая фотокамера с высоким разрешением. В процессе сканирования (фотографирования) получается массив точек в виде растрового изображения, который будет служить основой (подложкой) для создания ЦКМ.
- Привязка растрового изображения. Процесс, при котором растровое изображение соотносится с географическими координатами.
- Обработка растрового изображения. Все действия, производимые на данном этапе, направлены на улучшение изображения, сохранение детализации и подготовку масок (слоев с однотипной информацией) для распознавания на них объектов
- Векторизация. Это процесс преобразования растровых изображений в векторное представление, использующее набор кривых и точек для более точного описания изображения. В процессе векторизации к каждому объекту, оцифрованному на карте, добавляются соответствующие атрибуты (название, классификация, значения и т. д.); присваиваются географические координаты объектам на карте для определения их местоположения на земной поверхности.
- Корректировка. В завершающем этапе производится анализ на соответствие реальным географическим данным и коррекция возможных ошибок.
Основные методы векторизации картографического материала в геоинформационных системах (ГИС)
Ручной метод оцифровки на сегодняшний день можно отнести к традиционным методам (наряду со сканированием), но несмотря на появление новых методик, данный метод не потерял своей актуальности. Суть данного метода заключается в том, что каждый этап оцифровки от сканирования до векторизации и экспорта в нужный формат осуществляется с участием человека (оператора). Стоит отдельно пояснить некоторые этапы оцифровки в ручном режиме.
Импорт растрового изображения после его сканирования осуществляется вручную в специальную программу для векторизации.
Привязка растрового изображения геологической карты осуществляется путем выбора нужной системы координат и привязкой углов карты и её центральной точки. Геологическая карта чаще всего уже разбита сеткой координат с указанием долготы и широты, а также специальной номенклатурой, кодировка которой указывает её территориальное расположение.
На бумажных носителях часто встречаются дефекты в виде потертостей, пятен и других дефектов, затрудняющих автоматическое распознавание. Для улучшения изображений применяются различного рода встроенные в ПО фильтры (фильтр увеличения резкости, бикубическая интерполяция, гистограммное выравнивание и др.), которые оператор применяет по своему усмотрению.
В общем случае векторизация растрового изображения в ручном режиме осуществляется посредством расстановки точек или отрезков на карте, совмещая их с видимыми объектами.
Достоинства ручного метода оцифровки:
- высокое качество: возможность более тщательной и точной обработки изображений;
- гибкость и креативность: возможность внесения различных коррекций и улучшений в процессе обработки;
- сохранение деталей: способность сохранять детали и особенности изображения при оцифровке;
- контроль над процессом: возможность контроля каждого этапа оцифровки.
Недостатки ручного метода оцифровки:
- времязатратность: требуется больше времени на обработку каждого изображения;
- высокая стоимость: затраты на оплату труда специалистов, занимающихся ручной оцифровкой;
- неэффективность для больших объемов: при большом количестве материалов ручной метод может быть неэффективен и неудобен.
Полуавтоматический метод оцифровки – процесс, который включает человеческое вмешательство для помощи системе в распознавании и преобразовании данных. Вот общий процесс полуавтоматической оцифровки:
- предобработка данных: подготовленные изображения или данные проходят предварительную обработку, включающую коррекцию искажений, устранение шума и другие техники для улучшения качества.
- Интерактивная сегментация: пользователь или оператор взаимодействует с системой для пометки ключевых областей, объектов или контуров на изображении, помогая системе определить структуру данных.
- Частичное распознавание: система использует комбинацию алгоритмов автоматического распознавания и пользовательских меток для выделения и идентификации объектов на изображении.
- Ручная коррекция и добавление информации: пользователь вручную корректирует и дополняет обработанные данные (атрибуты) там, где системе сложно правильно распознать или векторизовать объекты.
- При полуавтоматической векторизации или интерактивной – часть операций производится автоматически. Так, например, при векторизации горизонталей достаточно задать начальную точку и направление отслеживания линий, далее векторизатор сам отследит эту линию до тех пор, пока на его пути не встретятся неопределенные ситуации, типа разрыва линии. Возможности интерактивной векторизации прямо связаны с качеством исходного материала и сложностью карты
Достоинства полуавтоматического метода оцифровки:
- высокая точность: участие человека позволяет исправить ошибки, которые могут возникнуть в процессе автоматической обработки, повышая общую точность оцифровки;
- гибкость и адаптивность: человеческое вмешательство позволяет легко адаптировать процесс оцифровки под конкретные требования и особенности данных;
- экономия времени: автоматические методы могут значительно сократить время обработки, и человеческое вмешательство используется там, где это действительно необходимо;
- улучшение качества данных: при полуавтоматическом методе возможно проведение дополнительных проверок и исправлений, что способствует повышению качества оцифрованных данных.
Недостатки полуавтоматического метода оцифровки:
- затраты на человеческий ресурс: участие человека в процессе оцифровки может потребовать значительных затрат времени и ресурсов;
- субъективность и ошибки человеческого фактора: вмешательство человека может привести к человеческим ошибкам или субъективным оценкам, что может повлиять на качество и объективность оцифрованных данных;
- сложность масштабирования: полуавтоматический метод может оказаться сложным для масштабирования, особенно если требуется обработка большого объема данных;
- высокая стоимость: использование человеческого ресурса для дополнительной проверки и исправления данных может сделать процесс оцифровки более затратным.
Автоматический метод оцифровки в настоящий момент включает в себя использование специализированных геоинформационных систем (ГИС) и программного обеспечения для преобразования данных с геологических карт в цифровой формат.
Автоматическая векторизация чаще всего применяется на черно-белых геологических картах (бинарные изображения). В данном случае программа-векторизатор распознает черный цвет и переводит его в векторный формат. Белый цвет распознается, как фон. Для этого может быть использован алгоритм Стэджера [1] для уменьшения времени временных затрат. Для восстановления возможных разрывов при распознавании изолиний используется интерполяция кривой Безье по трем точкам [1].
Обработку растрового изображения в автоматическом режиме можно разделить разделить на два этапа: предобработка изображения и распознавание интересующих объектов на изображении (в нашем случае векторизация изолиний). Каждый этап, в свою очередь, включает в себя ряд подэтапов. Так, для предобработки изображения сначала применяется кластеризация по признаку цветности, затем скелетизация и морфологические операции для восстановления разрывов у изолиний, образовавшихся на предыдущих этапах предобработки или из-за плохого качества изображения.
Привязка растра в ГИС-программе означает соотнесение пиксельных координат на изображении с реальными географическими координатами на карте. Этот процесс основан на поиске соответствия между пикселями на изображении и их географическими координатами в градусах или метрах на карте. Таким образом, программа понимает, как точки на растровом изображении соотносятся с конкретными местами на карте. В основе привязки растрового изображения лежат два алгоритма: алгоритм трансформации растра, изменяющий изображение таким образом, чтобы оно совпадало с имеющимися географическими координатами, и алгоритм «ресемплинг» или передискретизация, в основе которого лежит изменение разрешения изображения для корректного сопоставления с местностью.
Достоинства автоматического метода оцифровки:
- Скорость: автоматический метод оцифровки данных позволяет обрабатывать большие объемы информации значительно быстрее, чем это делалось бы вручную.
- Эффективность: автоматизированные процессы обработки данных могут повысить эффективность работы за счет минимизации человеческого вмешательства.
- Масштабируемость: автоматические методы оцифровки легче масштабируются для работы с большими объемами данных и их быстрой обработки.
- снижение ошибок: при правильной настройке и калибровке системы автоматической обработки, можно уменьшить вероятность ошибок по сравнению с человеческим вмешательством.
Недостатки автоматического метода оцифровки:
- недостаточная точность: автоматические методы могут быть менее точными, особенно при работе с нестандартными или плохо структурированными данными;
- ограниченная гибкость: в случае изменения требований или особенностей данных, автоматизированные системы могут показать себя менее гибкими по сравнению с человеческим вмешательством
- необходимость настройки: для достижения оптимальной производительности и точности автоматизированной системы оцифровки требуется тщательная настройка и обучение;
- трудность обработки специфических случаев: в случае нестандартных данных или особых требований автоматический метод может столкнуться с трудностями, которые человеческий фактор мог бы легче преодолеть.
Существует еще один метод оцифровки архивных геологических карт – с применением машинного обучения. В основе данного метода лежит создание и обучение нейронной сети. Нейронная сеть — это математическая модель и ее реализация в виде программной или программно-аппаратной реализации, которая основана на моделировании активности биологических нейронных сетей, которые представляют собой сети нейронов в биологическом организме. [2] Каждый нейрон принимает входные данные, обрабатывает их и передает результат следующему нейрону. Нейроны организованы в слои, и информация передается от входного слоя к выходному слою через промежуточные слои, называемые скрытыми слоями.
Обучение нейронной сети - процесс настройки параметров нейронной сети на основе обучающих данных с целью минимизации ошибки или потерь во время выполнения конкретной задачи. Обучение нейросетей происходит в два этапа:
- прямое распространение, при котором нейросеть в тестовом режиме «прогоняет» через себя данные и прогнозирует результат;
- обратное распространение ошибки, при котором погрешности каждого звена отправляются обратно в виде градиента, на основании чего изменяются веса. [3]
Существуют три основных способа обучения нейросетей:
- обучение с учителем – данный способ обучения предполагает наличие обучающих данных, где для каждого входа имеется соответствующий правильный выход.
- Обучение без учителя - способ предполагает спонтанный вид самообучения, в котором нет размеченных данных. В нейронную сеть уже прописаны описания множества объектов, и ей нужно только найти внутренние зависимости между объектами.
- Обучение с подкреплением. В обучении с подкреплением нейронная сеть учится на основе взаимодействия с окружающей средой. Сеть принимает действия в данной среде и получает обратную связь в виде награды или штрафа, что позволяет ей корректировать свое поведение для достижения целей.
Рассмотрим стандартные задачи, решаемые нейронными сетями в приложении к изображениям [4]:
- идентификация объектов;
- распознавание частей объектов (например, лиц, рук, ног и т.д.);
- семантическое определение границ объектов (позволяет оставлять только границы объектов на картинке);
- семантическая сегментация (позволяет разделять изображение на различные отдельные объекты);
- выделение нормалей к поверхности (позволяет преобразовывать двумерные картинки в трехмерные изображения);
- выделение объектов внимания (позволяет определять то, на что обратил бы внимание человек на данном изображении).
С учетом решения успешных кейсов в ГИС с использованием машинного обучения [5], а также в других областях [6], выделим основные достоинства и недостатки данного метода:
- автоматизация: использование нейросетевых алгоритмов и технологии компьютерного зрения позволяет автоматизировать процесс оцифровки геологических карт, что увеличивает производительность и снижает трудозатраты.
- скорость: нейросетевые алгоритмы могут обрабатывать большие объемы данных быстрее, чем традиционные методы, что способствует более быстрой оцифровке геологических карт;
- высокая точность: при правильной настройке и обучении нейронных сетей, можно добиться высокой точности при распознавании и оцифровке геологических объектов на картах;
- способность обрабатывать сложные структуры: нейросетевые алгоритмы и технология компьютерного зрения способны обрабатывать сложные геологические структуры и образования, что может быть сложно для человека.
Недостатки применения нейросетевых алгоритмов и технологии компьютерного зрения для оцифровки геологических карт:
- требование большого объема обучающих данных: для достижения высокой точности нейросетевые алгоритмы требуют обширные обучающие наборы данных, что может потребовать значительных усилий и ресурсов.
- сложность в интерпретации результатов: иногда сложно понять, как нейросеть приняла свое решение, что может затруднить валидацию результатов оцифровки;
- необходимость корректировки и улучшения моделей: нейросетевые модели требуют постоянного обновления, корректировки и улучшения для обеспечения высокой точности и актуальности результатов оцифровки;
- ограничения в обработке специфических случаев: нейросетевые алгоритмы могут столкнуться с трудностями при обработке нестандартных геологических карт или объектов, которые не входили в обучающий набор данных.
Заключение
Использование нейросетевых алгоритмов и технологии компьютерного зрения для оцифровки геологических карт предоставляет значительные преимущества в виде автоматизации, скорости, точности и способности обработки сложных структур. Однако данные методы требуют большого объема обучающих данных и постоянной настройки моделей для достижения высокой эффективности. Поэтому выбор между традиционными методами и нейросетевыми алгоритмами зависит от конкретных потребностей проекта и доступных ресурсов.
1. Курочкин, В. Ю. Разработка сервиса для автоматизированного поиска и распознавания изолиний на изображениях геологических карт / В. Ю. Курочкина, А. А. Ступников. — Текст : электронный // Математическое и информационное моделирование : материалы Всероссийской конференции молодых ученых (Тюмень, 18–20 мая 2023 г.) / Министерство науки и высшего образования РФ, Тюменский государственный университет, Институт математики и компьютерных наук ; редакционная коллегия : Е. П. Вдовин [и др.]. — Тюмень : ТюмГУ-Press, 2023. — Вып. 21. — С. 144–152.
2. Никитин, А. А. Процесс распознавания изображения нейронной сетью / А. А. Никитин, Н. И. Лиманова. — Текст : непосредственный // Молодой ученый. — 2020. — № 47 (337). — С. 23-25. — URL: https://moluch.ru/archive/337/75420/ (дата обращения: 27.03.2024).
3. Левченко, К. М. Нейронные сети = Neural networks / Левченко К. М., Сыч А. А. // Научная конференция учащихся колледжа : материалы 58-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 18–22 апреля 2022 / Белорусский государственный университет информатики и радиоэлектроники, Минский радиотехнический колледж ; редкол.: В. В. Шаталова [и др.]. – Минск : БГУИР, 2022. – С. 89–93.
4. Маркова, С. В. Применение нейронной сети для создания системы распознавания изображений / С. В. Маркова, К. Ю. Жигалов // Фундаментальные исследования. – 2017. – № 8-1. – С. 60-64. – EDN ZELKMR.
5. Селлин, А. Ю. Актуализация геоинформационных систем посредством интеграции нейронных сетей / А. Ю. Селлин, О. Н. Понамарева // Состояние и перспективы развития современной науки по направлению «Геоинформационные платформы военного назначения»: Сборник статей I Всероссийской научно-технической конференции, Анапа, 17 марта 2021 года. – Анапа: Федеральное государственное автономное учреждение "Военный инновационный технополис "ЭРА", 2021. – С. 195-205. – EDN GHCCMY.
6. Создание поведенческой модели LDMOS транзистора на основе искусственной MLP нейросети и ее описание на языке Verilog-A / С.А. Победа, М.И. Черных, Ф.В. Макаренко, К.В. Зольников // Моделирование систем и процессов. – 2021. – Т. 14, № 2. – С. 28-34. – DOI:https://doi.org/10.12737/2219-0767-2021-14-2-28-34.
7. Полуэктов А.В., Макаренко Ф.В., Ягодкин А.С. Использование сторонних библиотек при написании программ для обработки статистических данных // Моделирование систем и процессов. – 2022. – Т. 15, № 2. – С. 33-41.
