Ретроспективная информация о состоянии урбанизированной среды может быть получена путем анализа изображений, находящихся в интернет-пространстве. Методы на основе искусственного интеллекта позволяют распознавать объекты заданного класса на изображениях, при этом модели на основе нейронных сетей демонстрируют высокую точность распознавания. В настоящей статье предложена модель нейронной сети на основе собственного набора данных для распознавания объектов урбанизированной среды на примере класса строительных работ и создания геоинформационной системы с координатно-временной привязкой. Для сегментации изображений использовалась библиотека pixellib. Для создания датасета применялись фотографии, найденные в сети Интернет. В ходе тестирования модели было обучено 15 версий нейронной сети. Наилучшие результаты продемонстрировала модель mask_rcnn_model.160-0.460171.h5 (версия 15). Основной причиной повышения точности распознавания этой модели стало более точное оконтуривание объектов и дополнение датасета самостоятельно отснятыми изображениями. Авторы планируют улучшить точность распознавания нейронной сети и обучить ее распознавать другие классы объектов урбанизированной среды.

Корюкин Егор Александрович
Лаборант-исследователь
Уральский федеральный университет имени первого Президента России Б. Н. Ельцина
Институт радиоэлектроники и информационных технологий РТФ
620002 Екатеринбург, ул. Мира, д. 32
e-mail: e.a.koryukin@gmail.com
ORCID: 0000-0003-4757-0871
SPIN-код: 1353-3812
AuthorID: 1217338

Бобаков Вениамин Сергеевич
Лаборант-исследователь
Уральский федеральный университет имени первого Президента России Б. Н. Ельцина
620002 Екатеринбург, ул. Мира, д. 19
е-mail: veniabobakov97@gmail.com

Буторова Анастасия Сергеевна
Младший научный сотрудник
Уральский федеральный университет имени первого Президента России Б. Н. Ельцина
620002 Екатеринбург, ул. Мира, д. 19
Младший научный сотрудник
Институт промышленной экологии УрО РАН (ИПЭ УрО РАН
620990 Екатеринбург, ул. С. Ковалевской, д. 20
e-mail: a.s.butorova@urfu.ru
ORCID: 0000-0002-1570-6642
Scopus AuthorID: 57959209000
SPIN-код: 5129-3990
AuthorID: 944608

Сергеев Александр Петрович
Кандидат физико-математических наук, доцент
ведущий научный сотрудник
Институт промышленной экологии УрО РАН (ИПЭ УрО РАН)
620990 Екатеринбург, ул. С. Ковалевской, д. 20
e-mail: sergeev@ecko.uran.ru
ORCID: 0000-0001-7883-6017
Researcher ID: B-1565-2018
Scopus Author ID: 56227321200
SPIN-код: 8617-8873
AuthorID: 185393

1. Ильминских Н.Г. Урбанизированная среда // Вестник Курганского государственного университета. Серия: Естественные науки. – 2012. – № 3 (25). – С. 39–45.
2. Вершинин В.В, Нартов А.С. Дифференцированная система расчета платы за загрязнение территорий, подвергающихся техногенному воздействию полиароматических углеводородов, основанная на индикативном методе оценки их воздействий // Геополитика и экогеодинамика регионов. – 2021. – Т. 7. – № 2. – С. 158–169. DOI: 10.37279/2309-7663-2021-7-2-158-169.
3. Бешенцев А.Н, Куклина Е.Э, Калашников К.И, Балданов Н.Д. Мониторинг урбанизированной территории: методы, технологии, результаты // Вестник СГУГИТ. – 2020. – Т. 25. – № 2. – С. 169–182. DOI: 10.33764/2411-1759-2020-25-2-169-182.
4. Сазонова Л.Е. Обзор информационных ресурсов, используемых для анализа зеленых насаждений городских территорий // Интер-
   экспо Гео-Сибирь. – 2022. –Т. 6. – С. 213–219. DOI: 10.33764/2618-981X-2022-6-213-219.
5. Голубничий А.А, Неделина Д.О. Предварительное районирование города Черногорска по признаку визуальной загрязненности // Евразийский научный журнал. – 2015. – № 8. – С. 23–25.
6. Захаров К.В, Медведков А.А, Борисов В.Ф. Фрагментация ландшафта и парковое благоустройство как факторы накопления тяжелых металлов в листьях березы // Экология и строительство. – 2020. – № 1. – С. 4–13. DOI: 10.35688/2413-8452-2020-01-001.
7. Васильев А.В. Исследование выбросов в атмосферу, создаваемых автомобильным транспортом, и особенностей распределения автотранспортных потоков на территории городского округа Тольятти // Известия Самарского научного центра Российской Академии наук. – 2021. – Т. 23. – № 5(103). – С. 39–46. DOI: 10.37313/1990-5378-2021-23-5-33-46.
8. Короткий А.А., Маслов В.Б., Маслов Д.В., Панфилов А.В., Кирсанов М.В. Новый вид общественного транспорта для урбанизированной среды – городские канатные дороги “Канатное метро” // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. – 2010. – № 4 (156). – С. 73–77.
9. Seleznev A.A., Yarmoshenko I.V., Sergeev A.P. 137Cs in puddle sediments as timescale tracer in urban environment // Journal of Environmental Radioactivity. – 2015. – Vol. 142. – pp. 9–13. DOI: 10.1016/j.jenvrad.2015.01.001.
10. Seleznev A.A., Yarmoshenko I.V., Sergeev A.P. Method for reconstructing the initial baseline relationship between potentially harmful element and conservative element concentrations in urban puddle sediment // Geoderma. – 2018. – Vol. 326. – P. 1–8. DOI: 10.1016/ j.geoderma.2018.04.003.
11. Sarić R., Ulbricht M., Krstić M., Kevrić J., Jokić D. Recognition of Objects in the Urban Environment using R-CNN and YOLO Deep Learning Algorithms // 2020 9th Mediterranean Conference on Embedded Computing (MECO) (Budva, Montenegro, 2020). – 2020. – pp. 1–4. DOI: 10.1109/MECO49872.2020.9134080.
12. Najafizadeh L., Froehlich J.E. A Feasibility Study of Using Google Street View and Computer Vision to Track the Evolution of Urban Accessibility // ASSETS ’18: Proceedings of the 20th International ACM SIGACCESS Conference on Computers and Accessibility. – 2018. – pp. 340–342. DOI: 10.1145/3234695.3240999.
13. Pixellib’s official documentation [Электронный ресурс]. – 2020. – Режим доступа: https://pixellib.readthedocs.io/en/latest/ (дата обращения: 16.11.2022).
14. Гинсбург И. Исследуем архитектуры сверточных нейронных сетей с помощью fast.ai [Электронный ресурс] // Proglib. – 28.12.2020. –
    Режим доступа: https://proglib.io/p/issleduem-arhitektury-svertochnyh-neyronnyh-setey-s-pomoshchyu-fast-ai-2020-12-28 (дата обращения: 28.11.2022).
15. Jung A. Imgaug. Image augmentation for machine learning experiments [Электронный ресурс] // Github. – 06.02.2020. – Режим доступа: https://github.com/aleju/imgaug (дата обращения: 16.11.2022).
16. Kumar H. Evaluation metrics for object detection and segmentation: mAP [Электронный ресурс] // Technical Fridays. – 20.09.2019. – Режим доступа: https://kharshit.github.io/blog/2019/09/20/evaluation-metrics-for-object-detection-and-segmentation (дата обращения: 16.11.2022).