1. Введение

Развитие методов компьютерного зрения на протяжении последних десятилетий привело к переходу от алгоритмов, основанных преимущественно на заранее заданных признаках, к системам, способным самостоятельно формировать представление об объектах по большим массивам визуальных данных. Одним из ранних этапов этого развития стали исследования искусственных нейронных сетей и моделей, предназначенных для воспроизведения отдельных принципов работы зрительной системы человека [8]. В дальнейшем развитие вычислительной техники и методов машинного обучения создало предпосылки для появления глубоких нейронных сетей, способных решать значительно более сложные задачи анализа изображений [2, 7].

Особое значение для компьютерного зрения получили свёрточные нейронные сети (Convolutional Neural Networks, CNN). В отличие от классических методов обработки изображений, при использовании CNN признаки объекта не задаются полностью вручную, а формируются непосредственно в процессе обучения [5, 6]. Свёрточные слои позволяют последовательно выделять локальные элементы изображения, начиная с простейших границ и текстур и заканчивая более сложными пространственными структурами. Практическое применение свёрточных сетей к распознаванию изображений началось задолго до современного этапа развития искусственного интеллекта [4, 9].

Появление архитектуры Residual Network (ResNet) позволило существенно упростить обучение глубоких сетей благодаря остаточным связям между слоями. Для задач, где необходимо не просто определить наличие объекта, а установить его точное пространственное положение, важное значение приобрела семантическая сегментация. Архитектура U-Net использует симметричную структуру из сжимающей и расширяющей частей, что позволяет одновременно учитывать контекст изображения и восстанавливать пространственное положение объектов. Первоначально разработанная для медицинских изображений, U-Net получила широкое распространение в анализе данных дистанционного зондирования Земли.

В отличие от ручного дешифрирования, модель способна выполнять предварительное выделение объектов на значительных территориях, предоставляя специалисту структурированный результат для последующей проверки.

2. Постановка задачи

При эксплуатации трубопроводной инфраструктуры необходимо контролировать территорию в пределах охранной зоны. В частности, требуется отслеживать наличие и пространственное распространение древесно-кустарниковой растительности, площадь которой учитывается при планировании мероприятий по содержанию и обслуживанию трассы.

Традиционный подход предполагает последовательный просмотр ортофотопланов специалистом, визуальное определение границ растительности, нанесение контуров в ГИС и расчёт площадей. С увеличением протяжённости объекта такой подход становится всё более трудоёмким.

Цель настоящей работы — разработка и апробация нейросетевого метода автоматического выделения древесно-кустарниковой растительности на ортофотопланах с последующим определением её площадных характеристик в пределах охранной зоны трубопроводов. Для достижения цели решаются следующие задачи: формирование обучающей выборки на основе ортофотопланов; разработка и обучение модели семантической сегментации; реализация программной обработки; преобразование результатов в векторные объекты; расчёт площади в заданной зоне.

3. Материалы и методы

Исходными данными служат ортофотопланы исследуемой территории с координатной привязкой, полученные с беспилотных летательных аппаратов, с пространственным разрешением 17 см/пиксель. Такой тип данных позволяет одновременно использовать визуальную информацию и пространственные характеристики.

В качестве геоинформационной среды для подготовки и анализа применяется QGIS. На ортофотопланах вручную формируются маски растительности: в маску включаются области, соответствующие древесно-кустарниковому покрову, тогда как дороги, открытые участки грунта, здания, водные объекты исключаются. Пример подготовки маски растительности представлен на рисунке 1. Подготовлено 10 размеченных ортофотопланов, из которых 7 использованы для обучения, 3 — для валидации.

Рис. 1. Подготовка масок растительности

Общая площадь размеченных участков — свыше 20 км². Задача представлена как бинарная семантическая сегментация: каждый пиксель относится либо к целевому классу, либо к фону.

Подготовленные изображения разделяются на небольшие фрагменты (тайлы) размером 256×256 пикселей. Это необходимо по вычислительным причинам: ортофотоплан значительно превосходит размер входного массива нейронной сети. Кроме того, разбиение на фрагменты увеличивает объём выборки и повышает разнообразие пространственных ситуаций.

4. Подготовка и аугментация обучающей выборки

Одна из наиболее сложных задач — подготовка обучающих данных. В отличие от объектов с устойчивой геометрией, древесно-кустарниковая растительность значительно различается по форме, плотности и структуре. Один участок может представлять собой плотный лесной массив, другой — отдельные деревья и кустарники, третий — смешанную растительность с просветами грунта. Дополнительную сложность создают различия условий съёмки: освещённость, сезон, влажность, цветопередача.

Качество итоговой модели напрямую зависит от разнообразия тренировочных данных. Если выборка однородна, сеть рискует переучиться — запомнить конкретные образцы и потерять способность к обобщению. При недостатке разнообразия возникает недообучение: признаки оказываются слишком грубыми. Чтобы избежать обеих крайностей, мы сознательно подбирали фотопланы с разными типами ландшафта: густые хвойные массивы, разреженные берёзовые рощи, болотистые участки, горные склоны, живые изгороди.

Особое внимание уделялось качеству масок. Ошибки в разметке — захват теней от крон, блики от металлических предметов, неаккуратные границы лесных массивов или отрицательные площади полигонов — негативно сказываются на обучении. Если подобные дефекты повторяются на нескольких снимках, сеть начинает считывать ошибки в разметке как целевой объект. Поэтому внедрена автоматическая проверка масок: скрипт анализирует геометрию полигонов, выявляет пересечения, разрывы и прочие аномалии. Бракованные массивы исключаются из выборки, что позволяет избежать заведомо провальных попыток обучения.

Для увеличения эффективного объёма выборки и улучшения обобщающей способности применяется аугментация. Используются геометрические преобразования — повороты на углы, кратные 90°, отражения по горизонтали и вертикали, масштабирование в диапазоне 0,8–1,2, сдвиги, а также цветовые вариации яркости и контрастности. Операции выполняются в процессе обучения, создавая для модели бесконечное разнообразие примеров и препятствуя запоминанию конкретных тайлов.

5. Процесс обучения модели

После подготовки выборки изображения и соответствующие маски передаются в сеть. В процессе обучения модель последовательно корректирует внутренние параметры так, чтобы её предсказание максимально соответствовало эталонной маске. Особенность задачи состоит в том, что модель должна учитывать одновременно цветовые, текстурные и пространственные характеристики растительности. Отдельный зелёный пиксель сам по себе не является достаточным признаком: аналогичный цвет может иметь трава или сельскохозяйственная культура. Поэтому сеть анализирует совокупность признаков и пространственный контекст.

6. Обработка ортофотоплана и определение площади

После завершения обучения модель применяется к новому ортофотоплану. Поскольку исходное изображение значительно превосходит входной размер сети, ортофотоплан разбивается на последовательность тайлов. Каждый тайл преобразуется к нужному формату и подаётся на вход. Результатом является карта вероятностей принадлежности каждого пикселя к классу растительности.

Затем карты вероятностей объединяются в общую маску. Для перехода к бинарному решению задаётся пороговое значение: если вероятность пикселя выше порога, он относится к растительности, в противном случае — к фону. Полученная маска совмещается с географической привязкой исходного снимка.

После сегментации выполняется фильтрация мелких объектов. Небольшие ложные области могут появляться из-за шумов, теней, элементов инфраструктуры и не имеют практической ценности. Такие участки удаляются по площади и геометрическим признакам. Очищенная растровая маска преобразуется в векторные полигоны, каждый из которых сохраняет координатную привязку и может использоваться в QGIS.

Далее выполняется пространственное пересечение векторного слоя растительности с зоной исследования. Граница охранной зоны задаётся в соответствии с положением трубопровода. Для каждого выделенного объекта рассчитывается площадь, после чего определяется как площадь отдельных участков, так и их сумма в пределах контролируемой территории. Информация представляется в табличном виде — для каждого километра трассы указана площадь растительности, а также итоговое значение.

7. Экспериментальные результаты

По окончании обучения модель была протестирована на одном ортофотоплане, не участвовавшем в обучении. Средний IoU для класса растительности составил 0,76, что подтверждает достаточную точность для инженерных задач. Визуальный анализ полученных масок показал, что модель уверенно выделяет основные массивы ДКР, правильно определяет границы крон и кустарников. Пример результата автоматической сегментации ДКР в охранной зоне трубопровода представлен на рисунке 2. Видно, что в большинстве случаев контуры совпадают с реальной границей растительности. Расхождения наблюдаются лишь на теневых участках и в местах с сильным перекрытием крон.

Рис. 2. Графическое изображение результата работы программы

Следует отметить, что обучение проводилось на данных, полученных в летне-осенний период, а также частично весной. Модель показывает стабильные результаты на российских лесах умеренного пояса — сосновых борах, берёзовых рощах, смешанных лесах. Однако применение к тропическим джунглям или саваннам, скорее всего, приведёт к значительным ошибкам, поскольку структура и цвет растительности там кардинально иные. Это ограничение связано с составом обучающей выборки и естественно для любой специализированной модели.

Дополнительно в рамках работы была обучена модель для сегментации капитальных строений. Обучающая выборка формировалась из ортофотопланов сельских территорий РФ и включала здания различных типов — от простых прямоугольных до сложных конфигураций со скатными крышами. На этих данных модель продемонстрировала высокие показатели точности: средний IoU составил 0,84. Вместе с тем, при тестировании на изображениях с застройкой, не соответствующей российским архитектурным стандартам (фахверковые дома, купольные сооружения), качество распознавания ожидаемо снижалось. Данный факт объясняется узкой специализацией модели и не рассматривается как недостаток — для каждой территории и типа объектов требуется отдельное обучение на соответствующих выборках.

8. Практическое применение

Разработанный подход может найти применение в нефтегазовых компаниях, эксплуатирующих магистральные трубопроводы, — таких как «Газпром», «Транснефть», «Роснефть» и других [1, 3]. С его помощью картографические службы смогут оперативно получать информацию о заросших участках охранных зон, планировать расчистки и контролировать их выполнение.

Особую ценность представляет возможность обработки новых ортофотопланов без доступа к интернету и без привлечения дорогостоящих вычислительных мощностей. Это позволяет внедрять решение непосредственно в полевых условиях или на удалённых объектах. Кроме того, при поступлении снимков разных лет можно отслеживать динамику зарастания и своевременно корректировать планы работ.

Также стоит отметить, что модель для выделения домов может быть полезна при инвентаризации построек в охранных зонах, выявлении незаконных строений и контроле за соблюдением нормативных отступов.

9. Заключение

В работе представлен подход к автоматизированному выделению древесно-кустарниковой растительности в охранной зоне трубопроводов на основе методов глубокого обучения. Разработанная система объединяет геопространственные данные, компьютерное зрение и инструменты ГИС-анализа. Последовательное преобразование ортофотоплана — от распознавания до расчёта площадей — позволяет сократить объём ручного дешифрирования и повысить объективность результатов.

Перспективы развития связаны с расширением обучающей выборки за счёт материалов разных сезонов и годов, что позволит создать модель, устойчивую к сезонным изменениям. Также планируется интеграция обоих алгоритмов (растительность и дома) в единый программный модуль с возможностью автоматического формирования отчётов. Внедрение таких решений в практику отечественных компаний будет способствовать повышению эффективности мониторинга и снижению эксплуатационных рисков.

Литература:

1. AI Eyes on the Rig: Computer Vision Boosts Oilfield Safety [Электронный ресурс] // Journal of Petroleum Technology. URL: https://jpt.spe.org/ai-eyes-on-the-rig-computer-vision-boosts-oilfield-safety (дата обращения: 14.07.2026).
2. История ИИ для компьютерного зрения: от обнаружения границ до YOLOv8 [Электронный ресурс] // Ultralytics. URL: https://www.ultralytics.com/ru/blog/a-history-of-vision-models (дата обращения: 01.09.2026).
3. Искусственный интеллект на страже безопасности: опыт Татнефти [Электронный ресурс] // Управление производством. URL: https://up-pro.ru/library/information_systems/automation_production/iskusstvennyj-intellekt-opyt-tatnefti/ (дата обращения: 03.08.2026).
4. Vina A. Exploring How the Applications of Computer Vision Work [Электронный ресурс] // Ultralytics. URL: https://www.ultralytics.com/ru/blog/exploring-how-the-applications-of-computer-vision-work (дата обращения: 23.08.2026).
5. Применение свёрточных нейронных сетей в компьютерном зрении [Электронный ресурс] // КиберЛенинка. URL: https://cyberleninka.ru/article/n/primenenie-svertochnyh-neyronnyh-setey-v-kompyuternom-zrenii (дата обращения: 07.08.2026).
6. Zziwa R. Mastering the Fundamentals of Computer Vision With Python [Электронный ресурс] // Andela. URL: https://enterprise.andela.com/blog-posts/mastering-the-fundamentals-of-computer-vision-with-python (дата обращения: 09.08.2026).
7. Computer Vision Introduction Series v1.0 [Электронный ресурс] // AI Terakoya. URL: https://yusukehashimotolab.github.io/AI-Knowledge-Notes/knowledge/en/ML/computer-vision-introduction/index.html (дата обращения: 21.06.2026).
8. Компьютерное зрение [Электронный ресурс] // НЕЙРО.ИФМО. URL: https://neerc.ifmo.ru/wiki/index.php?title=Компьютерное_зрение&oldid=73132 (дата обращения: 09.08.2026).
9. Инженеры Google рассказали об успехах в распознавании номеров домов с фотографий StreetView [Электронный ресурс] // Habr. 16.12.2013. URL: https://habr.com/ru/articles/208330/ (дата обращения: 03.09.2026).