Российские ученые научили нейросеть почти в два раза точнее находить несанкционированные свалки

Несанкционированные свалки наносят серьезный ущерб экологии, но выявлять их вручную не всегда возможно. Сегодня инженеры также используют нейросети, которые анализируют спутниковые снимки. Проблема в том, что их точность пока низкая: модели путают свалки с похожими объектами — карьерами и промышленными зонами. Это ведет к тому, что специалистам приходится вручную перепроверять тысячи снимков, а польза от автоматизации почти исчезает. Ученые Пермского Политеха нашли способ сделать нейросеть точнее. Они создали новую методику подготовки данных, которая заметно повышает качество распознавания. В результате точность определения несанкционированных свалок выросла с 56 до 95 %.

Несанкционированное размещение отходов остается одной из серьезных экологических проблем современности. Свалки, возникающие стихийно в лесах, оврагах, вдоль дорог и на окраинах городов, вредят окружающей среде. Они приводят к загрязнению почв токсичными веществами, отравлению водоемов, ухудшению качества воздуха и возникновению серьезных рисков для здоровья населения. По данным Росприроднадзора за 2025 год, в России их насчитывается более 8000.

Такие объекты можно выявлять с помощью наземных рейдов и обследований, но этот способ требует огромных временных и трудовых затрат. Проверить каждую точку на большой территории таким образом не всегда возможно — особенно когда речь идет об удаленных участках, куда человек физически не может оперативно добраться.

Другой способ — использовать спутниковые снимки. Но поскольку вручную просматривать тысячи изображений слишком долго, для поиска свалок применяют нейросети. Они сами анализируют фотографии и отмечают подозрительные участки. Для этого модель обучают на множестве примеров, чтобы по визуальным признакам она смогла отличить скопление отходов от обычного пейзажа.

Проблема в том, что точность распознавания свалок у нейросетей пока низкая. Связано это с тем, что во время обучения инженеры, как правило, используют наборы снимков, где «чистые» участки в основном находятся в городах с плотной застройкой и дорогами, а отходы — в менее обжитых местах. В результате модель начинает ориентироваться не на сам мусор, а на фон вокруг него, и путает реальные свалки со стройплощадками, карьерами и промышленными зонами. При этом существует и противоположный риск — пропуск важных участков.

Чтобы сделать нейросеть точнее, специалисты либо создают более сложную архитектуру, либо используют больше снимков для обучения. Однако это все равно не решает проблему — модели часто пропускают свалки или неверно их определяют. В итоге специалистам приходится вручную перепроверять тысячи снимков, и на это уходит много времени, а польза от автоматизации почти исчезает.

Ученые Пермского Политеха нашли способ улучшить распознавание несанкционированных скоплений отходов. Они создали методику подготовки данных для обучения нейросети, которая повысила точность нахождения свалок с 56 % до 95 %. Разработка пригодится в экологическом мониторинге: с ее помощью можно быстрее реагировать на нарушения и сократить ручные проверки.

В качестве материала для обучения исследователи использовали более 100 000 спутниковых изображений. Они взяли снимки разных округов России: как с участками скопления отходов, так и без них.

Но поскольку модели важно понимать, что находится вокруг участков на изображении, ученые также создали программу, которая автоматически определяет характеристики территории: тип земного покрова, плотность населения, рельеф и другие. Она самостоятельно собирает из открытых источников разнородные сведения, которые без нее инженеру пришлось бы искать вручную. Такая программа поможет модели учитывать не только внешний вид участка, но и особенности окружающей территории.

Для самого распознавания ученые использовали стандартную модель нейросети, предназначенную для анализа изображений. Ее обучили на расширенной выборке программы, в которую также добавили снимки карьеров, промышленных зон и строительных площадок, внешне похожих на свалки.

При проверке мы сравнили стандартный подход к обучению и новый — с дополнительными примерами объектов, которые напоминают свалки, но ими не являются. В результате качество распознавания заметно улучшилось. Доля ложных срабатываний — случаев, когда нейросеть ошибочно принимала участок за свалку, — снизилась примерно в 24 раза. Общая точность классификации выросла с 56 до 95 %, — рассказал Вадим Данелян, аспирант кафедры «Вычислительная математика, механика и биомеханика», инженер лаборатории прикладного искусственного интеллекта «Высшая школа авиационного двигателестроения» ПНИПУ.

В ходе исследования ученые доказали, что значение имеет не только количество снимков, но и их состав. Разработка будет полезна экологическим службам и надзорным органам: она позволяет быстрее находить стихийные свалки и оперативно реагировать на нарушения.

Созданная программа автоматически собирает из открытых источников геопространственные характеристики участков по координатам снимков. Это избавляет специалиста от необходимости вручную искать и сопоставлять сведения из разных источников и упрощает подготовку данных для обучения нейросети, — отметил Андрей Клюев, доцент кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ, кандидат физико-математических наук.

Результаты опубликованы в вестнике «Прикладная математика и вопросы управления».

Фото: ПНИПУ

Источник: Минобрнауки России