Использование спектральных ландшафтных индексов для детектирования препятствий в задачах навигации мобильных робототехнических платформ на сельскохозяйственных территориях

Цель исследования. Целью исследования является разработка алгоритма детектирования препятствий на ортофотоплане местности на основе анализа спектральных ландшафтных индексов для использования в задачах навигации мобильных робототехнических средств на сельскохозяйственных территориях.

Методы. В работе были рассмотрены следующие ландшафтные индексы, характеризующие объекты различного типа на карте, полученной методом спектральной аэрофотосъемки: нормализованный разностный вегетационный индекс (NDVI), нормализованный индекс различий застройки (NDBI), нормализованный разностный индекс воды (NDWI) и почвенный растительный индекс (SAVI). Данные индексы обеспечивают оценку четырех основных классов объектов на карте: растительный покров, постройки, водные объекты и почвенный покров. Был предложен алгоритм, обеспечивающий сегментацию зон на карте, являющихся непроходимыми для наземных робототехнических средств, с использованием мультиспектральных изображений и рассмотренных индексов.

Результаты. Каждое изображение представляется в виде цветовой карты на основе попиксельного расчета указанных индексов. При этом три индекса SAVI, NDWI, NDBI совмещаются (накладываются друг на друга), а затем из результирующего изображения вычитается NDVI слой, чтобы выделить проходимые зоны. Таким образом, была получена формула для получения маски препятствий на изображении. На выходе данный алгоритм позволяет обобщить результаты расчета всех выбранных индексов и построить маску препятствий на изображении. Для количественной оценки работы алгоритма был произведен расчет площади препятствий, найденной при помощи индексов на выборке размеченных вручную изображений. Эксперименты показывают, что разработанный алгоритм в среднем обеспечивает детектирование 85,47% от площади всех непроходимых зон на изображениях в вышеуказанных классах земного покрова.

Заключение. Разработан и протестирован алгоритм для автоматизированного детектирования препятствий на карте, полученной из спектрального ортофотоплана местности, для использования в задачах навигации мобильных робототехнических средств на сельскохозяйственных территориях. В дальнейшем для определения ровных грунтовых участков планируется модифицировать разработанное решение, используя улучшенный модифицированный почвенный индекс MSAVI.

1. Approach to robotic mobile platform path planning upon analysis of aerial imaging data / E. Aksamentov, K. Zakharov, D. Tolopilo, E. Usina // Proceedings of 15th International Conference on Electromechanics and Robotics" Zavalishin's Readings". Springer, Singapore 2020. P. 93-103. https://doi.org/10.1007/978-981-15-5580-0_7.

2. Endo T., Maeda R., Matsuno F. Stability Analysis of Swarm Heterogeneous Robots with Limited Field of View // Информатика и автоматизация. 2020. Vol. 19. №. 5. P. 942-966.

3. Zakharov K., Saveliev A., Sivchenko O. Energy-Efficient Path Planning Algorithm on Three-Dimensional Large-Scale Terrain Maps for Mobile Robots // International Conference on Interactive Collaborative Robotics. Springer, Cham. 2020. P. 319-330.

4. Levonevskiy D., Karasev E., Aksamentov E. Architecture and Algorithms of Geospatial Service for Navigation of Robotic Complexes // Proceedings of 15th International Conference on Electromechanics and Robotics" Zavalishin's Readings". Springer, Singapore, 2020. P. 433-442.

5. Saveliev A., Aksamentov E., Karasev E. Automated terrain mapping based on mask R-CNN neural network // International Journal of Intelligent Unmanned Systems. 2020.

6. Szabó S., Gacsi Z., Balázs B. Specific features of NDVI, NDWI and MNDWI as reflected in land cover categories // Acta Geographica Debrecina Landscape & Environment. 2016. Vol. 10. №3-4. P. 194-202.

7. Paper A 20 / Jr J. W. Rouse, R. H. Haas, J. A. Schell, D. W. Deering // Third Earth Resources Technology Satellite-1 Symposium: The Proceedings of a Symposium Held by Goddard Space Flight Center at Washington, DC on December 10-14, 1973: Prepared at Goddard Space Flight Center. Scientific and Technical Information Office, National Aeronautics and Space Administration.1974. Vol. 351. P. 309.

8. Аksamentov E., Astapova M., Usina E. Approach to Obstacle Localization for Robot Navigation in Agricultural Territories // International Conference on Interactive Collaborative Robotics. Springer, Cham, 2020. P. 13-20.

9. Ganie M. A., Nusrath A. Determining the vegetation indices (NDVI) from Landsat 8 satellite data // International Journal of Advanced Research. 2016. Vol. 4. №8. C. 1459-1463.

10. Özelkan E. Water body detection analysis using NDWI indices derived from Land-sat-8 OLI // Polish Journal of Environmental Studies. 2020. Vol. 29. №2. P. 1759-1769.

11. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // International journal of remote sensing. 2006. Vol. 27. № 14. P. 3025-3033.

12. Zha Y., Gao J., Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery // International journal of remote sensing. 2003. Vol. 24. №3. P. 583-594.

13. Built-up index methods and their applications for urban extraction from Sentinel 2A satellite data: discussion / J. C. Valdiviezo-N, A. Téllez-Quiñones, A. Salazar¬Garibay, A. A. López-Caloca // JOSA A. 2018. Vol. 35. №1. P. 35-44.

14. Karanam H. K., Neela V. B. Study of normalized difference built-up (NDBI) index in automatically mapping urban areas from Landsat TN imagery // Int J Eng Sci Math. 2017. Vol. 8. P. 239-48.

15. Analysis for Mapping of Built-Up Area Using Remotely Sensed Indices–A Case Study of Rajarhat Block in Barasat Sadar Sub-Division in West Bengal (India) / K. D. Ghosh, A. Ch Mandal, R. Majumder, P. Patra, S. G. Bhunia // Journal of Landscape Ecology. 2018. Vol. 11. №2. P. 67-76.

16. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images / S. Candiago, F. Remondino, M. De Giglio, M. Dubbini, M. Gattelli // Remote sensing. 2015. Vol. 7. №4. P. 4026-4047.

17. A modified soil adjusted vegetation index / J. Qi, A. Chehbouni, A. R. Huete, Y. H. Kerr, S. Sorooshian // Remote sensing of environment. 1994. Vol. 48. №2. P. 119¬126.

18. Study of the desertification index based on the albedo-MSAVI feature space for semi-arid steppe region / Z. Wu, S. Lei, Z. Bian, J. Huang, Y. Zhang // Environmental Earth Sciences. 2019. Vol. 78. №6. P. 232.

19. Ahwan Z., Hasyim M., Sunarno H. Pendampingan Pemuda Suku Tengger dalam Pengembangan Wisata Kawasan Hinterland Gunung Bromo Sebagai Wisata Alam Dan Budaya melalui Penguatan Skill Komunikasi Kepariwisataan di Kabupaten Pasuruan // Engagement: Jurnal Pengabdian Kepada Masyarakat. 2019. Vol. 3. №2. P. 173-193.

20. Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band / Y. Du, Y. Zhang, F. Ling, Q. Wang, W. Li, X. Li // Remote Sensing. 2016. Vol. 8. №4. P. 354.

21. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes / X. L. Chen, H. M. Zhao, P. X. Li, Z. Y. Yin // Remote sensing of environment. 2006. Vol. 104. №2. P. 133-146.

22. Hashim H., Abd Latif Z., Adnan N. A. Urban vegetation classification with NDVI thresold value method with very high resolution (VHR) PLEIADES Imagery // Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2019. P. 237-240.

23. ESA Earth Observation. 2020 [обновлено 10 декабря 2020; процитировано 14 декабря 2020]. URL: https://apps.sentinel-hub.com/eo-browser/.

24. Genik, Warren. Case Study: Wild Oat control efficiency using UAV imagery – Green Aero Tech. 2015 [обновлено 10 ноября 2020; процитировано 14 декабря 2020]. URL: https://www.greenaerotech.com/case-study-wild-oatcontrol-efficiency-using-uavimagery/.