Trainingsgebiete erstellen
Für eine Bestandsaufnahme und Beurteilung des Zustands jeder einzelnen Palme auf der Plantage von Kolovai in Tonga wären viele Arbeitskräfte erforderlich. Um diesen Prozess zu vereinfachen, werden Sie mit einem Deep-Learning-Modell in ArcGIS Pro die Bäume bestimmen und danach deren Zustand anhand einer Messung der Grünanteile der Vegetation berechnen. Der erste Schritt besteht darin, Bildmaterial zu finden, das Kolovai in Tonga zeigt und dessen räumliche und spektrale Auflösung fein genug ist, um Bäume bestimmen zu können. Wenn das Bildmaterial gefunden ist, erstellen Sie Trainingsgebiete und konvertieren sie in ein Format, das durch ein Deep-Learning-Modell verwendet werden kann. Damit das Modell weiß, was es finden soll, müssen Sie Bilder von Palmen definieren, sodass es ähnliche Pixel und Baumgrößen identifizieren kann.
Hinweis:
Die Verwendung der Deep-Learning-Werkzeuge in ArcGIS Pro setzt voraus, dass Sie die richtigen Deep-Learning-Bibliotheken auf Ihrem Computer installiert haben. Falls Sie diese Dateien nicht installiert haben, stellen Sie sicher, dass ArcGIS Pro geschlossen ist, und führen Sie die unter Auf Deep Learning in ArcGIS Pro vorbereiten beschriebenen Schritte aus. In diesen Anweisungen erfahren Sie neben weiteren nützlichen Tipps, wie Sie überprüfen können, ob Ihr Computer die Hardware- und Softwareanforderungen zum Ausführen von Deep-Learning-Workflows erfüllt. Anschließend können Sie mit diesem Lernprogramm fortfahren.
Die Bilddaten herunterladen
Beim Extrahieren von Features sind genaue Bilder hoher Auflösung unverzichtbar. Das Modell ist nur dann in der Lage, die Palmen zu identifizieren, wenn die Pixelgröße klein genug ist, um die Baumkronen der einzelnen Palmen voneinander zu unterscheiden. Um den Zustand der Palmen zu berechnen, benötigen Sie außerdem ein Bild mit Spektralbändern, die es Ihnen ermöglichen, einen Vegetationszustandsindex zu generieren. Die Bilddaten für diese Studie werden Sie bei OpenAerialMap, einem Open-Source-Repository mit multispektralen Bilddaten hoher Auflösung, suchen und herunterladen.
- Rufen Sie die OpenAerialMap-Website auf.
- Klicken Sie auf Start Exploring.
In der interaktiven Kartenansicht können Sie zoomen, schwenken und überall auf dem Planeten nach Bilddaten suchen. Die Karte ist in Gitterfelder unterteilt. Wenn Sie auf ein Gitterfeld zeigen, wird eine Zahl angezeigt. Diese Zahl gibt die Anzahl der verfügbaren Bilder für dieses Feld an.
- Geben Sie im Suchfeld Kolovai ein, und drücken Sie die Eingabetaste. Klicken Sie in der Ergebnisliste auf Kolovai.
Die Karte wird auf Kolovai gezoomt. Dies ist eine Kleinstadt auf der Hauptinsel von Tongatapu mit einer Kokospalmenplantage.
- Verkleinern Sie die Ansicht ggf., bis die Beschriftung für Kolovai auf der Karte zu sehen ist. Klicken Sie auf das Gitterfeld direkt über Kolovai.
- Klicken Sie im Seitenbereich auf Kolovai UAV4R Subset (OSM-Fit) von Cristiano Giovando.
- Klicken Sie auf die Schaltfläche "Herunterladen", um die Rohdatei (.tif) herunterzuladen. Speichern Sie das Bild an einem Speicherort Ihrer Wahl.
Aufgrund der Dateigröße kann das Herunterladen einige Minuten dauern.
Der Standardname der Datei lautet 5b1b6fb2-5024-4681-a175-9b667174f48c.
Die Daten erkunden
Um mit der Klassifizierung zu beginnen, laden Sie ein ArcGIS Pro-Projekt herunter, das einige Lesezeichen enthält, um Sie durch die Erstellung von Trainingsgebieten zu führen.
- Laden Sie die Datei Palm_Tree_Detection .zip herunter, und extrahieren Sie den Inhalt an einen geeigneten Speicherort auf Ihrem Computer.
Aufgrund der Dateigröße kann das Herunterladen einige Minuten dauern.
- Öffnen Sie ggf. den extrahierten Ordner Palm_Tree_Detection. Öffnen Sie den Ordner Kolovai. Doppelklicken Sie auf die ArcGIS-Projektdatei Kolovai.
Wenn Sie dazu aufgefordert werden, melden Sie sich mit Ihrem ArcGIS Online- oder ArcGIS Enterprise-Konto an.
Hinweis:
Wenn Sie über kein Organisationskonto verfügen, informieren Sie sich über die Optionen für den Zugriff auf die Software.
Das Projekt wird mit einer leeren Karte geöffnet. Sie fügen die heruntergeladenen Bilddaten hinzu.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte in der Gruppe Layer auf Daten hinzufügen.
Das Fenster Daten hinzufügen wird angezeigt.
- Navigieren Sie im Fenster Daten hinzufügen unter Computer zu dem Kolovai-Bild (zur Erinnerung: die Datei heißt 5b1b6fb2-5024-4681-a175-9b667174f48c), das Sie bei OpenAerialMap heruntergeladen haben. Wählen Sie die .tif-Datei aus und klicken Sie auf OK.
Hinweis:
Klicken Sie ggf. im Fenster Statistiken berechnen auf Ja.
Das Kolovai-Bild wird zu Ihrer Karte hinzugefügt. Der Layer wird im Bereich Inhalt mit seiner eindeutigen Kennung aufgelistet, die allerdings nicht sehr aussagekräftig ist. Deshalb sollten Sie den Layer mit einem verständlichen Namen versehen.
- Klicken Sie im Bereich Inhalt zweimal auf den aktuellen Layer-Namen, und geben Sie den Text Imagery ein. Drücken Sie die Eingabetaste.
- Schwenken und zoomen Sie die Karte, um eine Vorstellung davon zu erhalten, wie die Palmenplantage aussieht.
Dieses Bild zeigt eine große Anzahl Kokospalmen. Sie einzeln zu zählen, ob vor Ort oder auf dem Bild, würde Tage dauern. Damit ein Deep-Learning-Modell dies für Sie übernehmen kann, erstellen Sie eine Stichprobe aus Palmen, an der Sie dann Ihr Modell trainieren.
Trainingsschema erstellen
Beim Training eines Deep-Learning-Modells oder eines Bildklassifizierungsmodells sind gute Trainingsgebiete entscheidend. Deren Erstellung ist häufig der zeitaufwändigste Schritt im Prozess. Um Informationen bereitzustellen, die das Deep-Learning-Modell benötigt, um alle Palmen im Bild zu extrahieren, erstellen Sie Features für eine gewisse Anzahl Palmen, damit das Modell lernt, welche Größe, Form und Spektralsignatur die Palmen aufweisen können. Diese Trainingsgebiete werden mit dem Werkzeug "Objekte für Deep Learning beschriften" erstellt und verwaltet.
Hinweis:
Das Erstellen eines Training-Datasets beinhaltet das Digitalisieren von mehreren Hundert Features und kann viel Zeit beanspruchen. Wenn Sie keine Trainingsgebiete erstellen möchten, können Sie das Dataset aus der Geodatabase Results im Ordner Provided Results verwenden. Sie können dann mit dem Abschnitt "Bildschnipsel erstellen" fortfahren.
- Überprüfen Sie im Bereich Inhalt, ob der Layer Imagery ausgewählt ist.
- Klicken Sie auf dem Menüband auf die Registerkarte Bilddaten. Klicken Sie in der Gruppe Bildklassifizierung auf Klassifizierungswerkzeuge, und wählen Sie Objekte für Deep Learning beschriften aus.
Der Bereich Bildklassifizierung wird mit einem leeren Schema angezeigt. Da Sie nur Kokospalmen aus den Bilddaten extrahieren lassen möchten, sollten Sie ein Schema mit nur einer Klasse erstellen.
- Klicken Sie im Bereich Bildklassifizierung mit der rechten Maustaste auf Neues Schema, und wählen Sie Eigenschaften bearbeiten aus.
- Geben Sie als Name den Text Coconut Palms ein.
- Klicken Sie auf Speichern.
Das Schema im Bereich Bildklassifizierung wird umbenannt. Sie können nun Klassen hinzufügen.
- Klicken Sie mit der rechten Maustaste auf Coconut Palms, und wählen Sie Neue Klasse hinzufügen aus.
Der Bereich Neue Klasse hinzufügen wird angezeigt. Nun legen Sie einige Parameter für die Klasse fest, um das Modell zu trainieren.
- Geben Sie als Name den Text Palm ein.
Danach folgt der Wert bzw. Code, der vom Computer verwendet wird, wenn Sie ein Modell trainieren. Den Palmen wird der Wert 1 zugewiesen.
- Geben Sie für Wert den Wert 1 ein.
Als Letztes wählen Sie die Farbe aus, die beim Identifizieren von Features verwendet wird. Es ist gleichgültig, welche Farbe Sie auswählen, aber da Sie Features auf Bilddaten digitalisieren, die größtenteils grün sind, würde sich wegen der besseren Sichtbarkeit gelb empfehlen.
- Wählen Sie für Farbe ein helles Gelb wie beispielsweise Sonnengelb aus.
Tipp:
Zeigen Sie auf ein Farbquadrat, um ihren Namen einzublenden.
- Klicken Sie auf OK.
Die Klasse Palm wird zum Schema Coconut Palms im Bereich Bildklassifizierung hinzugefügt. Sie erstellen nun Features mit der Klasse Palm, um das Deep-Learning-Modell zu trainieren.
Trainingsgebiete erstellen
Um sicherzustellen, dass Sie eine repräsentative Stichprobe aus Palmen in diesem Gebiet erfassen, sollten Sie Features im gesamten Bild digitalisieren. Diese Features werden in Form so genannter Bildschnipsel in das Deep-Learning-Modell eingelesen. Bildschnipsel sind kleine Blöcke aus Bilddaten, die aus dem Quellbild ausgeschnitten werden. Nachdem Sie eine ausreichende Anzahl Features im Bereich "Bildklassifizierung" erstellt haben, exportieren Sie diese als Bildschnipsel mit Metadaten.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf Lesezeichen, und wählen Sie Training Location 1 aus.
Die Karte zoomt auf das erste Gebiet mit einer Stichprobe aus Palmen, das Sie identifizieren.
- Wählen Sie im Bereich Bildklassifizierung die Klasse Palm aus, und klicken Sie auf das Werkzeug Kreis.
Zeichnen Sie mit diesem Werkzeug Kreise um jede Palme in Ihrer aktuellen Anzeige. Kreise werden von der Mitte des Features nach außen gezeichnet, wobei der Radius des Features gemessen wird.
- Klicken Sie auf der Karte auf den Mittelpunkt einer Palme, und zeichnen Sie einen Kreis um einen einzelnen Baum.
In der Gruppe Beschriftete Objekte des Bereichs Bildklassifizierung wird ein neuer Palmendatensatz hinzugefügt. Sie erstellen für möglichst viele Bäume einen Palmen-Datensatz, um sicherzustellen, dass eine große Anzahl an Bildschnipseln mit allen markierten Palmen vorhanden ist.
- Zeichnen Sie Kreise um jeden Baum in der Kartenanzeige.
Hinweis:
Wenn Sie eine zusätzliche Anleitung zum Zeichnen dieser Kreise benötigen oder wenn Sie das Digitalisieren der Bäume überspringen möchten, können Sie auf das Trainingsgebiet-Dataset in dem Ordner zurückgreifen, den Sie heruntergeladen haben. Klicken Sie auf dem Menüband auf der Registerkarte Karte in der Gruppe Layer auf Daten hinzufügen. Navigieren Sie zum Ordner Datenbanken, und doppelklicken Sie auf die Geodatabase Results. Klicken Sie auf PalmTraining und dann auf OK.
Wenn Sie mit der Ausdehnung dieses ersten Lesezeichens fertig sind, haben Sie etwa 180 Stichproben im Bereich Trainingsgebiet-Manager erfasst.
Hier sind ein paar Tipps, die Ihnen beim Identifizieren der Bäume helfen sollen:
- Sie können die Karte zoomen und schwenken, um das Digitalisieren zu erleichtern. Wichtig ist jedoch, dass Sie so viele Bäume wie möglich in der Ausdehnung des Lesezeichens digitalisieren.
- Wenn Sie unsicher bezüglich der genauen Position eines Baumes sind, können Sie den Baum überspringen. Es kommt vielmehr darauf an, dass Sie genaue Trainingsgebiete erstellen.
- Es ist in Ordnung, wenn sich die Kreise, die Sie zeichnen, überlappen.
- Das endgültige Modell berücksichtigt die Größe der Bäume, die Sie identifizieren. Deshalb ist es wichtig, dass Sie sowohl kleine als auch große Palmen markieren.
- Erstellen Sie Trainingsgebiete für jede Palme auf jedem der sechs verbleibenden Lesezeichen mit der Bezeichnung Training Location.
Das Digitalisieren der Trainingsgebiete kann viel Zeit beanspruchen, zahlt sich aber mit einer großen Anzahl Stichproben aus. Je mehr Stichproben Sie dem Modell bereitstellen, desto genauer sind die Ergebnisse.
Das Training-Dataset, das zum Trainieren des mit diesem Lernprogramm bereitgestellten Modells verwendet wurde, hatte beispielsweise mehr als 600 Stichproben.
- Wenn Sie die Stichproben erstellt haben, klicken Sie im Bereich Bildklassifizierung auf Speichern.
- Klicken Sie im Fenster Trainingsgebiete speichern unter Projekt auf Datenbanken, und doppelklicken Sie auf die Standard-Projekt-Geodatabase Kolovai.gdb.
- Benennen Sie die Feature-Class mit PalmTraining, und klicken Sie auf Speichern.
- Schließen Sie den Bereich Bildklassifizierung. Wenn das Fenster Objekte beschriften angezeigt wird, klicken Sie auf Ja.
Sie haben die Trainingsgebiete zwar in einer Geodatabase gespeichert, müssen aber dennoch erst den Inhalt der Geodatabase aktualisieren, bevor Sie auf dieses Dataset zugreifen können.
- Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie in der Gruppe Fenster auf den Bereich "Katalog".
Der Bereich Katalog wird angezeigt.
- Datenbanken einblenden. Klicken Sie mit der rechten Maustaste auf Kolovai, und wählen Sie Aktualisieren aus.
Die Feature-Class PalmTraining ist nun sichtbar.
- Klicken Sie auf der Symbolleiste für den Schnellzugriff auf Speichern.
Bildschnipsel erstellen
Der letzte Schritt vor dem Training des Modells ist das Exportieren Ihrer Trainingsgebiete im richtigen Format als Bildschnipsel.
- Geben Sie oben im ArcGIS Pro-Anwendungsfenster unter Befehlssuche den Befehl Export Training Data for Deep Learning ein. Klicken Sie auf Trainingsdaten für Deep Learning exportieren.
Daraufhin wird der Bereich Geoverarbeitung angezeigt.
Nun legen Sie die Parameter zum Erstellen von Bildschnipseln fest. Zuerst wählen Sie die Bilddaten aus, die für das Training verwendet werden.
- Wählen Sie für Eingabe-Raster die Option Bilddaten aus.
Als Nächstes erstellen Sie einen Ordner zum Speichern der Bildschnipsel.
- Geben Sie für Ausgabeordner den Text imagechips ein.
Nun wählen Sie die Feature-Class mit den Trainingsgebieten aus, die Sie erstellt haben.
- Navigieren Sie für Eingabe-Feature-Class oder klassifiziertes Eingabe-Raster oder Eingabetabelle zur Geodatabase Kolovai. Klicken Sie auf PalmTraining und dann auf OK.
Hinweis:
Wenn Sie keine Trainingsgebiete gezeichnet haben, können Sie das bereitgestellte Dataset verwenden. Navigieren Sie zu Datenbanken, und öffnen Sie die Geodatabase Results. Wählen Sie PalmTraining aus, und klicken Sie auf OK.
Als Nächstes wählen Sie aus Ihren Trainingsdaten das Feld aus, das den Klassenwert für jedes von Ihnen gezeichnete Feature enthält. Zur Erinnerung: Der Wert der Klasse "Palm" betrug 1.
- Wählen Sie für Klassenwertefeld die Option Classvalue aus.
Nun wählen Sie das Ausgabeformat für Ihre Schnipsel aus. Das Format, das Sie auswählen, ist vom Typ des Deep-Learning-Modells abhängig, das Sie trainieren möchten.
- Wählen Sie für Bildformat das JPEG-Format aus.
Als Nächstes legen Sie die Größe in Pixeln für jeden Bildschnipsel fest. Die Größe eines Bildschnipsels ergibt sich aus der Größe der Features, die Sie zu erkennen versuchen. Ist das Feature größer ist als die X- und Y-Dimensionen der Kacheln, liefert Ihr Modell keine guten Ergebnisse.
- Geben Sie für Kachelgröße X und Kachelgröße Y den Wert 448 ein.
Stellen Sie nun sicher, dass das Ausgabeformat korrekt ist. Das Ausgabeformat ist ebenfalls vom Typ des Deep-Learning-Modells abhängig, das Sie erstellen.
- Vergewissern Sie sich, dass für Metadatenformat die Option PASCAL Visual Object Classes ausgewählt ist.
Bevor Sie das Werkzeug ausführen und Bildschnipsel erstellen, legen Sie die Umgebungen des Werkzeugs fest. Vor allem müssen Sie die Auflösung der Bilddaten kennen. Als Best Practice hat es sich bewährt, Bildschnipsel mit derselben Auflösung wie die Eingabe-Bilddaten zu erstellen.
- Klicken Sie auf die Registerkarte Umgebung.
- Wählen Sie unter Raster-Analyse für Zellengröße die Option Wie Layer-Bilddaten aus.
- Klicken Sie auf Ausführen.
Abhängig von der Hardware Ihres Computers kann die Ausführung des Werkzeugs ein paar Minuten in Anspruch nehmen.
Die Bildschnipsel werden erstellt und können zum Trainieren eines Deep-Learning-Modells verwendet werden.
- Speichern Sie Ihr Projekt.
In diesem Modul haben Sie Open-Source-Bilddaten heruntergeladen und zu einem Projekt hinzugefügt, im Bereich Trainingsgebiet-Manager Trainingsgebiete erstellt und diese in ein Format exportiert, das mit einem Deep-Learning-Modell für das Training kompatibel ist. Als Nächstes erstellen Sie ein Deep-Learning-Modell und identifizieren alle Bäume in der Bepflanzung.
Palmen mit einem Deep-Learning-Modell ermitteln
Bevor Sie mit dem Erkennen der Palmen beginnen können, müssen Sie ein Modell trainieren. Zum Trainieren eines Modells müssen Ihre Trainingsgebietdaten immer wieder durch ein neuronales Netzwerk geschickt werden. Diesen rechenintensiven Prozess übernimmt ein Geoverarbeitungswerkzeug, aber so lernt das Modell, was eine Palme ist und was nicht. Das fertige Modell wenden Sie dann auf Ihre Bilddaten an, um automatisch Bäume zu identifizieren.
Deep-Learning-Modell trainieren
Das Geoverarbeitungswerkzeug Deep-Learning-Modell trainieren verwendet die von Ihnen beschrifteten Bildschnipsel, um zu erkennen, welche Kombinationen von Pixeln in einem bestimmten Bild Palmen darstellen. Sie verwenden diese Trainingsgebiete, um ein Deep-Learning-Modell des Typs Single Shot Detector (SSD) zu trainieren.
Abhängig von der Hardware Ihres Computers kann das Training des Modells länger als eine Stunde dauern. Es wird empfohlen, einen Computer mit einem dedizierten Grafikprozessor (GPU) zu verwenden. Wenn Sie das Modell nicht trainieren möchten, finden Sie im Projektordner Provided Results ein Deep-Learning-Modell. Sie können optional mit dem Abschnitt "Palmen ermitteln" in diesem Lernprogramm fortfahren.
- Geben Sie im Menüband in Befehlssuche den Befehl Deep-Learning-Modell trainieren ein. Wählen Sie Deep-Learning-Modell trainieren aus.
Daraufhin wird der Bereich Geoverarbeitung angezeigt.
Als Erstes richten Sie das Werkzeug für die Verwendung der Trainingsgebiete ein.
- Navigieren Sie im Bereich Geoverarbeitung für Eingabe-Trainingsdaten zum Projektordner Kolovai. Wählen Sie den Ordner imagechips aus, und klicken Sie auf OK.
Das Laden des Ordners kann einige Sekunden dauern.
Der Ordner imagechips enthält zwei Ordner, zwei Textdateien, eine .json- und eine .emd-Datei, die mit dem Werkzeug Trainingsdaten für Deep Learning exportieren erstellt wurden. Die Datei esri_model_definition.emd ist eine Vorlage, die vom Datenwissenschaftler, der das Modell trainiert, mit Informationen gefüllt wird. Dazu gehören das Deep-Learning-Framework, der Dateipfad zum trainierten Modell, Klassennamen, Modelltyp und Bildspezifikationen des Bildes, das zum Trainieren verwendet wurde. Die .emd-Datei ist die Brücke zwischen dem trainierten Modell und ArcGIS Pro.
Erstellen Sie als Nächstes einen Ordner zum Speichern Ihres Modells.
- Geben Sie für Ausgabemodell den Text classify_palms ein.
Legen Sie jetzt die Anzahl der Epochen für die Ausführung des Modells fest. Eine Epoche ist ein kompletter Durchlauf des Trainings-Datasets. Während jeder Epoche wird das im Ordner "imagechips" gespeicherte Training-Dataset einmal vorwärts und einmal rückwärts durch das neuronale Netz geschickt.
- Geben Sie für Max. Epochen den Wert 50 ein.
Vergewissern Sie sich, dass Sie den korrekten Modelltyp für die Erkennung von Objekten in Bilddaten trainieren. Der Modelltyp bestimmt den Deep-Learning-Algorithmus und das neuronale Netzwerk, die zum Trainieren des Modells verwendet werden. In diesem Fall verwenden Sie die Single Shot Detector-Methode, da diese für die Objekterkennung optimiert wurde.
- Blenden Sie Modellparameter ein, und stellen Sie sicher, dass Single Shot Detector (Objekterkennung) als Modelltyp festgelegt wurde.
Jetzt legen Sie die Batch-Größe fest. Dieser Parameter legt die Anzahl der Trainingsgebiete fest, die gleichzeitig trainiert werden.
- Geben Sie für Batch-Größe den Wert 8 ein.
Als Nächstes stellen Sie sicher, dass das Modell für alle 100 Epochen ausgeführt wird.
- Blenden Sie Erweitert ein, und deaktivieren Sie das Kontrollkästchen Beenden, wenn sich das Modell nicht mehr verbessert.
- Übernehmen Sie die übrigen Standardparameter.
Modellargumente, die zum Trainieren des Modells verwendeten Parameterwerte, sind je nach ausgewähltem Modelltyp unterschiedlich und können angepasst werden. Weitere Informationen zur Auswahl der Modellargumente finden Sie in der Dokumentation des Werkzeugs Deep-Learning-Modell trainieren.
Wenn Sie über eine GPU verfügen, legen Sie abschließend fest, dass das Werkzeug in der GPU Ihres Computers ausgeführt wird, um die Verarbeitung zu beschleunigen. Fahren Sie andernfalls mit dem nächsten Schritt fort.
- Optional klicken Sie (wenn der Computer über eine GPU verfügt), auf die Registerkarte Umgebungen. Wählen Sie unter Prozessortyp für Prozessortyp die Option GPU aus.
- Klicken Sie auf Ausführen.
Hinweis:
Die Ausführung dieses Werkzeugs kann länger als eine Stunde dauern.
Sollte die Ausführung des Modells fehlschlagen, kann es hilfreich sein, den Parameter Batch-Größe zu verringern. Eventuell müssen Sie diesen Parameter auf 4 oder 2 festlegen und das Werkzeug erneut ausführen. Hierdurch kann jedoch die Qualität der Ergebnisse des trainierten Modells beeinträchtigt werden.
Palmen ermitteln
Die Hauptarbeit beim Extrahieren von Features aus Bilddaten besteht im Vorbereiten der Daten, Erstellen von Trainingsgebieten und Trainieren des Modells. Nachdem diese Schritte erledigt sind, ermitteln Sie mit einem trainierten Modell Palmen in Ihren Bilddaten. Die Objekterkennung ist ein Prozess, bei dem in der Regel mehrere Tests erforderlich sind, bevor optimale Ergebnisse erzielt werden. Sie können mehrere Parameter anpassen, um die Leistung Ihres Modells zu optimieren. Zum schnellen Testen dieser Parameter können Sie versuchen, Bäume in einem kleinen Bildausschnitt zu erkennen. Wenn Sie mit den Ergebnissen zufrieden sind, weiten Sie die Erkennungswerkzeuge auf das gesamte Bild aus.
Hinweis:
Wenn Sie im vorherigen Abschnitt kein Modell trainiert haben, können Sie das im Ordner Provided Results bereitgestellte Deep-Learning-Paket verwenden.
Die Klassifizierung von Features ist ein GPU-intensiver Prozess, der abhängig von der Hardware Ihres Computers eine Weile dauern kann. Wenn Sie auf die Erkennung der Palmen verzichten möchten, können Sie die bereitgestellten Ergebnisse verwenden und mit dem Abschnitt "Erkannte Features optimieren" fortfahren.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf Lesezeichen. Wählen Sie Detection Area aus.
- Geben Sie im Menüband in Befehlssuche den Befehl Objekte mit Deep Learning erkennen ein. Wählen Sie Objekte mit Deep Learning erkennen aus.
Als Erstes legen Sie fest, von welchen Bilddaten Sie Features erkennen möchten.
- Wählen Sie im Werkzeug Objekte mit Deep Learning erkennen für Eingabe-Raster die Option Bilddaten aus.
Geben Sie nun einen Namen für die Feature-Class der erkannten Objekte ein.
- Geben Sie für Ausgabe der erkannten Objekte den Namen DetectedPalms ein.
Als Nächstes wählen Sie das Modell aus, das Sie zur Ermittlung der Palmen erstellt haben.
- Navigieren Sie für Modelldefinition zum Ordner classify_palms. Klicken Sie auf die Deep-Learning-Modell-Paketdatei classify_palms.dlpk. Klicken Sie auf OK.
Hinweis:
Wenn Sie kein Deep-Learning-Modell trainiert haben, navigieren Sie zum Projektordner. Öffnen Sie Provided Results. Öffnen Sie classify_palms. Klicken Sie auf die Deep-Learning-Modell-Paketdatei classify_palms.dlpk. Klicken Sie auf OK.
Als Nächstes legen Sie einige Argumente des Modells fest. Mithilfe von Argumenten wird die Ausführung des Modells angepasst, um optimale Ergebnisse zu erhalten.
Bei der Faltung von Bilddaten in der Convolutional-Neural-Network-Modellierung verkleinern Sie im Wesentlichen die Daten. Die Pixel am Rand des Bildes werden im Vergleich mit Pixeln im Inneren deutlich weniger zur Analyse herangezogen. Der Parameter Abstand fügt einen zusätzlichen Rahmen von Pixeln zu den Außenkanten des Bildes hinzu. Dadurch wird der Informationsverlust der gültigen Kantenpixel und beim Verkleinern verringert. Behalten Sie diese Standardeinstellung bei.
Das Argument threshold ist der Konfidenzschwellenwert: Welche Konfidenz ist bei der Beschriftung eines Objekts als Palme akzeptabel? Diese Zahl kann angepasst werden, um die gewünschte Genauigkeit zu erreichen.
- Geben Sie für Schwellenwert den Wert 0.2 ein.
Legen Sie jetzt das Argument nms_overlap fest. Es steuert die zulässige Überschneidung jedes Features. Eine niedrigere Zahl für dieses Argument gibt an, dass die Objekte einander nicht überlappen dürfen und als individuelle Features betrachtet werden.
- Übernehmen Sie für nms_overlap den Standardwert 0.1.
Jetzt legen Sie die Batch-Größe fest.
- Geben Sie für batch_size den Wert 8 ein.
Bevor Sie das Werkzeug ausführen, legen Sie einige Umgebungen fest.
- Klicken Sie auf die Registerkarte Umgebung.
Als Nächstes legen Sie eine Verarbeitungsausdehnung fest. Durch diesen Parameter wird das Werkzeug gezwungen, nur die Bilddaten zu verarbeiten, die sich innerhalb der aktuellen Kartenausdehnung befinden. Da die Objekterkennung ein hardwareintensiver Prozess ist, empfiehlt es sich, das Werkzeug zunächst für einen kleineren Teil auszuführen, um die Parameter zu testen, bevor es für ein vollständiges Bilddaten-Dataset ausgeführt wird.
- Legen Sie unter Verarbeitungsausdehnung den Parameter Ausdehnung auf Aktuelle Anzeigeausdehnung fest.
Nachdem Sie Aktuelle Anzeigeausdehnung ausgewählt haben, werden die Koordinaten des geographischen Rahmens der Ausdehnung angezeigt.
- Wählen Sie unter Raster-Analyse für Zellengröße die Option Wie Layer-Bilddaten aus.
- Wenn Ihr Computer über eine GPU verfügt, können Sie optional unter Prozessortyp für Prozessortyp die Option GPU auswählen.
- Klicken Sie auf Ausführen.
Die Ausführung des Werkzeugs dauert mehrere Minuten, abhängig von Ihrer Hardware und davon, ob für die Ausführung die CPU, die GPU oder der RAM verwendet werden.
Sehen Sie sich die Ergebnisse an. Sie können versuchen, mit den Argumenten zu experimentieren, um deren Auswirkungen auf die Ergebnisse zu sehen.
Wenn Sie Argumente haben, die gute Ergebnisse erzielen, erkennen Sie Palmen auf dem gesamten Bild.
- Wählen Sie auf der Registerkarte Umgebungen für Verarbeitungsausdehnung die Option Standardeinstellung aus.
- Klicken Sie auf Ausführen.
Da das Werkzeug für das gesamte Bilddaten-Dataset ausgeführt wird, verlängert sich je nach Hardware Ihres Computers die Verarbeitungszeit.
Hinweis:
Wenn Sie das Modell zur Erkennung der Palmen nicht ausführen, können Sie ein bereitgestelltes Palmen-Dataset verwenden. Um die Feature-Class DetectedPalms zur Karte hinzuzufügen, klicken Sie im Menüband auf der Registerkarte Karte in der Gruppe Layer auf Daten hinzufügen. Navigieren Sie zum Ordner Kolovai und zum Ordner Provided Results, öffnen Sie die Geodatabase Results, und doppelklicken Sie auf die Feature-Class DetectedPalms.
Sehen Sie sich nach Abschluss der Werkzeugausführung die Ergebnisse an. Die Farbe Ihrer Endergebnisse kann von der Abbildung abweichen.
Sie stellen fest, dass sich die Features einiger Palmen überlappen. Dies bedeutet, dass viele Bäume mehrmals identifiziert wurden, wodurch die Gesamtanzahl der Bäume verfälscht wird. Nachdem Sie die Symbolisierung geändert haben, damit das Problem besser zu erkennen ist, entfernen Sie die überlappenden Features mit einem Geoverarbeitungswerkzeug.
- Doppelklicken Sie im Bereich Inhalt auf das Symbol des Layers DetectedPalms.
Der Bereich Symbolisierung wird angezeigt.
- Klicken Sie auf die Registerkarte Eigenschaften.
- Legen Sie unter Darstellung Folgendes fest:
- Wählen Sie als Farbe die Einstellung Keine Farbe aus.
- Wählen Sie für Umrissfarbe die Option Sonnengelb aus.
- Geben Sie für Umrissbreite den Wert 1.5 ein.
- Klicken Sie auf Übernehmen.
Schauen Sie sich die Ergebnisse nach dem Ändern der Symbolisierung erneut an.
Als Nächstes entfernen Sie die doppelten Polygone.
- Speichern Sie das Projekt.
Erkannte Features optimieren
Es ist wichtig, dass die Gesamtanzahl der Palmen korrekt ist. Da viele Bäume mehrfach gezählt wurden, verwenden Sie das Werkzeug Non Maximum Suppression, um dies zu beheben. Sie müssen jedoch vorsichtig vorgehen, da sich die Baumkronen der Palmen überlappen können. Also werden Sie die Features entfernen, die eindeutig Duplikate desselben Baumes sind, und zugleich darauf achten, dass einander überlappende separate Bäume nicht entfernt werden.
- Geben Sie auf dem Menüband unter Befehlssuche den Befehl Non Maximum Suppression ein. Wählen Sie Non Maximum Suppression aus.
Als Erstes wählen Sie den vom Modell erstellten Palmen-Layer aus.
- Wählen Sie für Eingabe-Feature-Class die Option DetectedPalms aus.
Hinweis:
Wenn Sie den vorherigen Abschnitt übersprungen haben, wurde ein Palmen-Dataset bereitgestellt. Um die Feature-Class DetectedPalms zur Karte hinzuzufügen, klicken Sie im Menüband auf der Registerkarte Karte in der Gruppe Layer auf Daten hinzufügen. Navigieren Sie zum Ordner Kolovai und zum Ordner Provided Results, öffnen Sie die Geodatabase Results, und doppelklicken Sie auf die Feature-Class DetectedPalms.
Jede Palme in diesem Dataset weist einen Konfidenzwert auf. Dieser gibt an, wie genau das Modell jedes Feature identifiziert hat. Geben Sie dieses Feld in das Werkzeug ein.
- Wählen Sie für Feld für die Konfidenzpunktzahl die Option Übereinstimmung aus.
Außerdem wurde jedes erkannte Feature mit seiner entsprechenden Klasse gekennzeichnet. Zur Erinnerung: Dieses Modell weist eine Klasse mit der Bezeichnung Palm auf. Diese wurde bei der Verwendung des Modells erfasst.
- Wählen Sie für Klassenwertefeld die Option Class aus.
- Geben Sie unter Ausgabe-Feature-Class den Namen DetectedPalms_NMS ein.
Der Wert für Max. Überlappungsrate gibt an, wie weit sich zwei Features überlappen dürfen, bevor sie als identische Features eingestuft werden. Je höher der Wert, desto größer darf die Überlappung zwischen zwei Features sein. Das Feature mit dem niedrigeren Konfidenzwert wird entfernt. Sie richten das Werkzeug so ein, dass alle Bäume mit einer Überlappung von mehr als 50 Prozent entfernt werden.
- Geben Sie für Max. Überlappungsrate den Wert 0,5 ein.
- Klicken Sie auf Ausführen.
Dem Bereich Inhalt wird ein neuer Layer hinzugefügt. Er weist die gleiche Symbolisierung auf wie der Layer DetectedPalms.
- Deaktivieren Sie im Bereich Inhalt den Layer Detected Palms.
Wie Sie sehen können, gibt es im neuen Layer weniger Bäume mit einer Überlappung.
Sie können das Werkzeug bei Bedarf mit anderen Werten für Max. Überlappungsrate erneut ausführen, um optimale Ergebnisse zu erhalten.
- Entfernen Sie den Layer DetectedPalms aus der Karte.
- Klicken Sie im Bereich Inhalt zweimal auf DetectedPalms_NMS, und benennen Sie den Layer in Detected Palm Trees um.
- Deaktivieren Sie den Layer Detected Palm Trees.
- Speichern Sie Ihr Projekt.
Sie haben soeben ein Modell trainiert und zur Erkennung von Palmen verwendet. Als Nächstes verwenden Sie Raster-Funktionen, um eine Schätzung des Vegetationszustands für jeden Baum im Untersuchungsgebiet zu erstellen.
Hinweis:
Wichtig zu beachten ist, dass die Ergebnisse Ihres Modells beim ersten Mal möglicherweise noch nicht perfekt sind. Das Trainieren und Implementieren eines Deep-Learning-Modells ist ein Prozess, der mitunter erst nach mehreren Iterationen die besten Ergebnisse liefert. Bessere Ergebnisse können durch folgende Maßnahmen erzielt werden:
- Erhöhen Sie die ursprüngliche Feature-Stichprobengröße.
- Vergewissern Sie sich, dass die zu erkennenden Features von Ihren Trainingsgebieten genau erfasst werden.
- Stellen Sie sicher, dass die Trainingsgebiete mehrere Features unterschiedlicher Größe beinhalten.
- Passen Sie die Parameter der Geoverarbeitungswerkzeuge an.
- Trainieren Sie ein vorhandenes Modell mehrmals unter Verwendung der erweiterten Parameter des Werkzeugs Deep-Learning-Modell trainieren.
Den Vegetationszustand auswerten
Im vorherigen Modul haben Sie mit einem Deep-Learning-Modell Kokospalmen aus Bilddaten extrahiert. In diesem Modul schätzen Sie anhand der gleichen Bilddaten den Vegetationszustand, indem Sie einen Vegetationszustandsindex berechnen.
Zur Bewertung des Vegetationszustands berechnen Sie den Visible Atmospherically Resistant Index (VARI). Dieser Index wurde als indirekter Messwert aus dem Blattflächenindex (LAI) und dem Vegetationsanteil (VF) entwickelt, wobei ausschließlich Reflexionswerte der sichtbaren Wellenlängen verwendet werden:
(Rg - Rr) / (Rg + Rr - R(Rg - Rb))Dabei sind Rr, Rg und Rb die Reflexionswerte der roten, grünen bzw. blauen Bänder (Gitelson et al. 2002).
Normalerweise würden Sie mit den Reflexionswerten in den sichtbaren und Nahinfrarot-Wellenlängenbändern (NIR) den Vegetationszustand schätzen, wie beim normalisierten differenzierten Vegetationsindex (NDVI). Bei den von OpenAerialMap heruntergeladenen Bilddaten, handelt es sich jedoch um ein Multibandbild mit drei Bändern aus dem sichtbaren elektromagnetischen Spektrum. Daher verwenden Sie stattdessen VARI.
VARI berechnen
Für die VARI-Messung müssen die drei Bänder innerhalb der Bilddaten "OpenAerialMap" eingegeben werden. Zur VARI-Berechnung verwenden Sie die Raster-Funktion Bandarithmetik. Raster-Funktionen sind schneller als Geoverarbeitungswerkzeuge, da damit kein neues Raster-Dataset erstellt wird. Stattdessen nehmen sie beim Schwenken und Zoomen eine Echtzeitanalyse der Pixel vor.
- Klicken Sie auf dem Menüband auf die Registerkarte Bilddaten. Klicken Sie in der Gruppe Analyse auf Raster-Funktionen.
Der Bereich Raster-Funktionen wird angezeigt.
- Suchen Sie im Bereich Raster-Funktionen nach der Funktion Bandarithmetik, und wählen Sie sie aus.
- Legen Sie in der Funktion Bandarithmetik-Eigenschaften die folgenden Parameter fest:
- Wählen Sie für Raster den Raster-Layer Bilddaten aus.
- Wählen Sie für Methode die Methode VARI aus. Für die Funktion müssen Sie die Bandindexzahl angeben, die den Eingabebändern in der Formel entspricht. Unter dem Parameter "Bandindizes" wird die Eingabevorlage "Red Green Blue" aufgeführt. Geben Sie die Bandindexzahlen an, die den roten, grünen und blauen Bändern entsprechen (in der Reihenfolge). Achten Sie darauf, zwischen den einzelnen Bändern ein einzelnes Leerzeichen einzufügen.
- Geben Sie für Bandindizes die Zahlen 1 2 3 ein.
- Klicken Sie auf Neuen Layer erstellen.
Der VARI-Layer wird dem Bereich Inhalt als Band Arithmetic_Imagery hinzugefügt. Durch Zoomen und Schwenken des Gebiets können Sie Features wie die Küste, Straßen, Gebäude und Felder erkennen.
- Überprüfen Sie im Bereich Inhalt, ob der Layer Band Arithmetic_Imagery ausgewählt ist.
Als Nächstes ändern Sie die Darstellung des Rasters auf der Karte, um die VARI-Symbolisierung klarer hervorzuheben.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer.
- Klicken Sie in der Gruppe Rendering auf das Dropdown-Menü Streckungstyp, und wählen Sie Standardabweichung aus.
- Benennen Sie Band Arithmetic_Imagery im Bereich Inhalt in VARI um.
VARI für Kokospalmen extrahieren
Ein Raster-Layer, der VARI darstellt, ist hilfreich, aber Sie können damit möglicherweise nicht arbeiten. Um die Bäume zu bestimmen, die Pflege benötigen, möchten Sie den durchschnittlichen VARI für jeden einzelnen Baum ermitteln. Um den VARI-Wert für jeden Baum herauszufinden, extrahieren Sie den zugrunde liegenden durchschnittlichen VARI-Wert und symbolisieren ihn, sodass dargestellt wird, welche Bäume gesund sind und welche Pflege benötigen.
Als Erstes konvertieren Sie die Polygon-Features in Punkte.
- Geben Sie auf dem Menüband unter Befehlssuche den Befehl Feature in Punkt ein. Wählen Sie Feature in Punkt aus.
- Geben Sie im Werkzeug Feature in Punkt die folgenden Parameter ein:
- Wählen Sie für Eingabe-Features den Layer Detected Palm Trees aus.
- Geben Sie für Ausgabe-Feature-Class den Text PalmTree_Points ein.
- Klicken Sie auf Ausführen.
Der Schwerpunkt der einzelnen ermittelten Polygone enthält eine Point-Feature-Class. Wenn Sie verschiedene Positionen vergrößern und das Werkzeug Messen verwenden, erkennen Sie, dass Palmen einen durchschnittlichen Radius von etwa 3 Metern haben. Im nächsten Schritt erstellen Sie einen Polygon-Layer mit einem 3 Meter großen Puffer um jeden Punkt.
Hinweis:
Das Werkzeug Messen befindet sich auf dem Menüband auf der Registerkarte Karte in der Gruppe Abfrage.
- Geben Sie auf dem Menüband in der Befehlssuche den Befehl Paarweise puffern ein. Wählen Sie Paarweise puffern aus.
- Geben Sie im Werkzeug Paarweise puffern die folgenden Parameter ein:
- Wählen Sie für Eingabe-Features die Option PalmTree_Points aus.
- Geben Sie unter Ausgabe-Feature-Class den Namen PalmTreeBuffer ein.
- Geben Sie für Entfernung den Wert 3 ein, und wählen Sie Meter.
- Klicken Sie auf Ausführen.
Sie haben eine Polygon-Feature-Class, die die Position darstellt, und eine allgemeine Form der einzelnen Palmenkronen.
- Deaktivieren Sie im Bereich Inhalt die Layer VARI und PalmTree_Points.
Auf Ihrer Karte werden die geschätzten Baumkronen der Palmen in den Bilddaten angezeigt.
Als Nächstes extrahieren Sie den durchschnittlichen VARI-Wert für die einzelnen Polygone. Das Werkzeug Zonale Statistiken als Tabelle durchläuft der Reihe nach alle Polygone, die Sie erstellt haben, findet alle VARI-Pixel innerhalb des Polygons und berechnet den durchschnittlichen VARI-Wert für das Polygon.
- Geben Sie auf dem Menüband in der Befehlssuche den Befehl Zonale Statistiken als Tabelle ein. Wählen Sie Zonale Statistiken als Tabelle aus.
- Geben Sie im Werkzeug Zonale Statistiken als Tabelle die folgenden Parameter ein:
- Wählen Sie für Eingabe-Raster oder -Feature-Zonen-Daten den Eintrag PalmTreeBuffer aus.
- Wählen Sie für Zonenfeld den Eintrag ORIG_FID aus.
- Wählen Sie für Eingabe-Werte-Raster die Option VARI aus.
- Geben Sie für Ausgabetabelle den Text MeanVARI_per_Palm ein.
- Stellen Sie sicher, dass NoData-Werte in Berechnungen ignorieren aktiviert ist.
- Wählen Sie für Statistiktyp die Option Mittelwert aus.
Durch Festlegen von Zonenfeld auf ORIG_FID wird sichergestellt, dass die Statistiken für jeden Baum getrennt erstellt werden. Dieses Attribut ist die eindeutige ID aus dem ursprünglichen Layer DetectPalms.
- Klicken Sie auf Ausführen.
Die Ausgabetabelle wird unten im Bereich Inhalt hinzugefügt. Wenn Sie sie öffnen, sehen Sie den ursprünglichen FID-Wert und die Spalte MEAN, die den durchschnittlichen VARI-Wert enthält. Sie verbinden diese Tabelle mit dem Layer PalmTreeBuffer, um eine Feature-Class mit dem durchschnittlichen VARI für jede ermittelte Palme zu erhalten.
- Geben Sie auf dem Menüband in der Befehlssuche den Befehl Feld verbinden ein. Wählen Sie Feld verbinden aus.
- Geben Sie im Werkzeug Feld verbinden die folgenden Parameter ein:
- Wählen Sie für Eingabetabelle die Tabelle PalmTreeBuffer aus.
- Wählen Sie für Eingabe-Join-Feld das Feld ORIG_FID aus.
- Wählen Sie für Join-Tabelle die Tabelle MeanVARI_per_Palm aus.
- Wählen Sie als Join-Tabellen-Feld die Option ORIG_FID aus.
- Wählen Sie unter Felder übertragen die Option MEAN aus.
- Klicken Sie auf Ausführen.
Mit dem Layer PalmTreeBuffer ist jetzt ein Feld mit dem Namen MEAN verbunden. Sie benennen diesen Layer um und symbolisieren ihn, damit die Daten leichter verständlich werden.
- Benennen Sie im Bereich Inhalt den Layer PalmTreeBuffer in Palm Trees VARI um.
- Stellen Sie im Bereich Inhalt sicher, dass Palm Trees VARI ausgewählt ist. Klicken Sie auf dem Menüband auf der Registerkarte Feature-Layer in der Gruppe Darstellung auf Symbolisierung.
Der Bereich Symbolisierung wird angezeigt.
- Wählen Sie unter Primäre Symbolisierung die Option Abgestufte Farben aus.
- Wählen Sie für Feld den Eintrag MEAN aus.
- Wählen Sie für Methode ggf. Natürliche Unterbrechungen (Jenks) aus, und legen Sie Klassen auf 4 fest.
- Klicken Sie für Farbschema auf das Dropdown-Menü, und aktivieren Sie Alle zeigen und Namen anzeigen. Führen Sie einen Bildlauf durch, und wählen Sie das Farbschema Rot-Gelb-Grün (4 Klassen) aus.
- Klicken Sie unter Klassen auf die einzelnen Beschriftungen, und benennen Sie die Klassen von oben nach unten wie folgt um: Needs Inspection, Declining Health, Moderate und Healthy.
Jetzt verfügen Sie über eine Karte mit einer Feature-Class, die die Position und den Zustand für jede Palme im Bild darstellt.
- Speichern Sie das Projekt.
Optional: Aufgaben im Außeneinsatz zuweisen und den Projektfortschritt überwachen
Einer der größten Vorteile von ArcGIS Pro für die Feature-Extraktion und die Bilddatenanalyse ist, dass die Anwendung in die vollständige ArcGIS Plattform integriert werden kann. Im vorherigen Lernprogramm haben Sie mit den Deep-Learning-Werkzeugen in ArcGIS Pro Kokospalmen in Bilddaten identifiziert. Die Palmen können als Features in einer Feature-Class gespeichert werden, die in einem GIS verwendet werden kann. Um den Workflow zu erweitern, können Sie die Ergebnisse in der Cloud veröffentlichen, eine Webanwendungsvorlage für die Qualitätssicherung konfigurieren, Außendienstmitarbeitern Aufgaben zur Baumuntersuchung zuweisen, und den Fortschritt des Projekts über ein Dashboard überwachen.
In ArcGIS Online veröffentlichen
Um konfigurierbare Apps für die Arbeit mit Ihren Daten zu verwenden, müssen Sie die Palmen als Feature-Service in ArcGIS Online oder ArcGIS Enterprise veröffentlichen. Klicken Sie in ArcGIS Pro mit der rechten Maustaste im Bereich Inhalt auf den Layer PalmTreesVARI, und wählen Sie Freigabe und dann Als Web-Layer freigeben aus. Die Veröffentlichung erfolgt in Ihrem ArcGIS Online-Konto.
Weitere Informationen zum Veröffentlichen von Feature-Services
App-Vorlagen zur Prüfung der Deep-Learning-Genauigkeit verwenden
Deep-Learning-Werkzeuge bieten Ergebnisse mit einer Genauigkeit, die proportional zur Genauigkeit der Trainingsgebiete und der Qualität des trainierten Modells ist. Anders ausgedrückt: Die Ergebnisse sind nicht immer perfekt. Sie können die Qualität der Modellergebnisse bewerten, indem Sie die Bäume überprüfen, bei denen der Wert für Konfidenz im Deep-Learning-Ergebnis niedriger als ein bestimmter Wert ist. Statt mit einem Attributfilter in ArcGIS Pro auf jeden Datensatz zu zoomen, ermöglicht die konfigurierbare Web-App-Vorlage Image Visit, die Genauigkeit der Ergebnisse schnell in einer Webanwendung zu prüfen.
Weitere Informationen über die App "Image Visit"
ArcGIS Workforce zur Durchführung einer Überprüfung im Außeneinsatz verwenden
ArcGIS Workforce ist eine mobile App-Lösung, die die Position von Features nutzt, um die Koordination der Mitarbeiter im Außendienst zu optimieren. Sie können mit der Workforce-App den Mitgliedern Ihrer Organisation Aufgaben zuordnen, damit alle Bäume mit einem VARI-Wert, der als "Needs Inspection" angegeben ist, einem Außendienstmitarbeiter zugewiesen, überprüft und dann mit einem Behandlungsvorschlag markiert werden können.
Weitere Informationen zu ArcGIS Workforce
Mit ArcGIS Dashboards den Projektfortschritt überwachen
Schließlich können Sie den Fortschritt von Aufträgen, die Sie in Ihrem ArcGIS Workforce-Projekt verteilt haben, mit ArcGIS Dashboards überwachen. ArcGIS Dashboards ist eine konfigurierbare Web-App, die Visualisierung und Analysen für eine Lagebild-Sicht von Personen, Services und Aufgaben in Echtzeit bietet.
Erfahren Sie mehr über die ersten Schritte mit ArcGIS Dashboards
In diesem Lernprogramm haben Sie Open-Source-Drohnenbilddaten abgerufen und Trainingsgebiete mit Palmen in dem Bild erstellt. Diese Bildschnipsel wurden einem Datenwissenschaftler zur Verfügung gestellt und von einem trainierten Deep-Learning-Modell zum Extrahieren von mehr als 11.000 Palmen im Bild verwendet.
Sie haben Deep-Learning- und Bildanalysen sowie konfigurierbare Apps auf dem ArcGIS-System kennengelernt. Sie können diesen Workflow für unterschiedliche Aufgaben nutzen, wenn Sie über die Bilddaten und Kenntnisse in Bezug auf Deep-Learning-Modelle verfügen. Beispielsweise können Sie mit diesen Werkzeugen Schäden an Gebäuden nach Naturkatastrophen bewerten, Fahrzeuge in einem Stadtgebiet zählen oder Bauten in der Nähe von geologischen Gefahrenzonen ermitteln.
Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.
