← Tudásbázis

Programozás és adattudomány

Reprodukálható eszközök a képalapú kutatáshoz.

Áttekintés

A jó kutatási kód szkriptelt, rögzített véletlenmagú és verziókezelt, hogy más (vagy te egy év múlva) újra lefuttathassa a kísérletet, és ugyanazokat a számokat kapja. A Python OpenCV-vel, scikit-learnnel és GeoPandasszal lefedi a képtől a térképig tartó folyamat nagy részét.

Fő fogalmak

Tévesztési mátrix

Az igaz/hamis pozitívok és negatívok száma osztályonként; a precision, recall és F1 alapja.

Reprodukálhatóság

Rögzítsd a véletlenmagot, tartsd fájlban a tanító/teszt felosztást, verziókezeld az adatot és a kódot, és jegyezd fel a csomagverziókat.

Szintetikus adat

Ha a valós referencia nehezen szerezhető, mint a 20–30 m-es drónképeknél, ismert megoldású mesterséges adathalmazokkal módszeresen tesztelhető egy eljárás; mi 120-at használtunk.

Térinformatikai kimenet

A detektálások akkor lesznek használhatók a gépeknek, ha koordinátákra vetítjük és shapefile-ként vagy GeoJSON-ként exportáljuk őket.

Kódpéldák

precision = tp / (tp + fp)      # how many detections were right
recall    = tp / (tp + fn)      # how many real objects were found
f1        = 2 * precision * recall / (precision + recall)

import geopandas as gpd
from shapely.geometry import Point

# coords: weed positions in a projected CRS (metres); EOV (EPSG:23700) is common in Hungary
pts = gpd.GeoDataFrame(geometry=[Point(x, y) for x, y in coords], crs="EPSG:23700")
zones = pts.buffer(0.5).union_all()          # 0.5 m safety buffer around each detection
gpd.GeoDataFrame(geometry=[zones], crs=pts.crs).to_file("spray_zones.shp")

Esettanulmány

Esettanulmányok a munkáimból: egy növénysor-felismerő módszer validálása mesterséges adathalmazokkal, és egy megismételhető jellemzőkinyerő folyamat.

Hivatkozások a saját munkáimból