Delning av AI-modell och träningsdata - Lärksäckmal

Här hittar du information om hur du laddar hem AI-modell och träningsdata för att detektera lärkträd i drönarbilder. Modellen klassar de detekterade träden efter deras skadegrad.

Data du kan ladda ned har tagits fram av Skogsdatalabbet med stöd från Microsofts ”AI for Earth”-program. Här hittar du data:

  1. Data för träning av AI-modellen, d.v.s. drönarbilder och tillhörande annoteringsfiler om Lärksäckmal. Länken går till en sida där det finns beskrivning av data och nedladdningslänk till zip (3,3 Gb).
  2. Modellpaket (zip) med AI-modell som klarar av att i drönarbilder identifiera lärkträd och deras skadenivå från Lärksäckmal. Även dokumentation ingår i modellpaketet. Storlek: 289 Mb.
  3. Projektrapport. En beskrivning av hur projektet AI Lärksäckmal har genomförts.
FAQ

Fråga: Hur kan jag använda träningsdata? Kan jag sprida den vidare?
Svar: Träningsdata består av drönarbilder och annoteringsfiler som kan användas för att träna AI modeller. Skogsstyrelsen har fått spridningstillstånd från Lantmäteriet för drönarbilderna medan annoteringsfilerna är tillgängliggjorda enligt Community Data License Agreement (permissive variant). Vid användning av träningsdata får ni gärna citera ” Swedish Forest Agency (2021): Forest Damages – Larch Casebearer 1.0. National Forest Data Lab. Dataset.”

Fråga: Hur har annoteringarna gjorts?
Svar: Annotering av bilderna har gjorts för hand där varje träd har blivit markerat med en rektangel och markerats med typ av träd (lärk, other) och i en del även med skadenivå  (Healthy H, Lod Damage LD, High Damage HD). Från tekniskt perspektiv är annoteringarna gjorda i BoundigBoxes och är i Pascal VOC XML format.

Fråga: Hur har ni kvalitetsbedömt hur bra AI-modellen är?
Svar: Varje träning av AI modellen har följts upp med kvalitetssäkringsmetoder för precision (om modellens identifieringar är korrekta) och recall (andel av objekt som var identifierade). I mappen för AI modellen finns diagram som visar förloppet av kvalitetssäkrings processen.

Fråga: Tillhandahåller skogsdatalabbet en miljö där jag kan labba med modellen?
Svar: Vi har ingen öppen labbmiljö. Men vi kan, i mån av resurser, samverka med andra vid laborationer i vår miljö om det främjar innovation på skogliga data. Resultatet av sådan samverkan ska vara öppen och tillgänglig för alla att ta del av.

Fråga: Har ni publicerat någon applikation som använder sig av modellen?
Svar: Nej det har vi inte. Vi ser gärna att andra aktörer tar vid och vidareutvecklar lösningar på de data vi nu delar. 

Fråga: Vad krävs för att köra modellen?
Svar: AI-modellen om lärksäckmal kan användas i en applikation genom att använda filerna som finns i modellpaketet. Från tekniskt perspektiv är modellfilerna tillgängliga som Tensorflow HDF5 filer.

Fråga: Var kan jag hitta teknisk specifikation om modellen?
Svar: I modellpaketet finns det en ReadMe-mapp där både tekniska och konceptuella detaljer om AI modellen för lärksäckmal beskrivs.

Fråga: Var är fältdatat insamlat?
Svar: Fältdata är samlat på fem områden söder om Åsgärde, Västergötland.

Fråga: Har ni haft något samarbete med Stora Enso och deras projekt?
Svar: Vi hade en del kontakter kring best practise för drönarflygning och datainsamling men hade inga samarbeten kring delning av data eller modeller.

Fråga: Hur har ni resonerat kring säkerhetsaspekter av de bilder som ni laddar in i andra servrar? Det är ju gott om försvarsbyggnader och militära
anläggningar i våra skogar.
Svar: Alla bilder är granskade och godkända för spridning av Lantmäteriet ur försvarssekretessynpunkt.

Fråga: Hur generella/unika är AI-modellerna för skattning av skador (variationer i tid och rum)? Radiometriska kalibrering av drönardata kan vara svårt och jämförbarhet över tid och rum kanske svag?
Svar: Lärk modellen är anpassad för single shot översikt av skador. Vi har planer på att använda förändringsanalyser baserade på AI och rasteranalys för att jämföra i tid och rum. När det kommer till avancerad radiometrisk kalibrering vi är inte där än då den processen är extra krävande på drönardata.

Fråga: Vilka krav ställs på de (drönar)bilder som man vill analysera med hjälp av Skogsstyrelsens modell och träningsdata?
Svar: Våra bilder är tagna med drönare och vi använder bara den centrala delen av bilden 1500 x 1500 px. Detta på grund av förvrängningar av träd i utkanterna av bilder. Då modellen är tränad på dessa bilder så presterar den bäst med bilder av liknande upplösning.

Fråga: Identifierar modellen trädslaget? Eller behöver man säga åt modellen att det är en lärk tex?
Svar: AI Lärkmodellen klarar att identifiera trädslaget bara för lärkträd medan andra trädarter identifieras som Other.

Fråga: Finns studie där olika modeller utvärderas ? NN (neurala nätverk etc….) Kanske klokt innan man skalar upp och går vidare.
Svar: Under vårt arbete vi försöker göra en så bra omvärldsbevakning som möjligt. Dessutom så har vi flera leverantörer som utvecklar våra modeller och de får gärna komma med förslag om olika modeller. Till exempel så är lärkmodellen i Tensorflow medan vi har andra modeller i YOLOv4 och U-Net.

Fråga: Vilka drönare och kameror har ni använt på skogsstyrelsen, samt har ni använt RTK positionering?
Svar: Vid insamling av drönarbilder har vi använt en konsultfirma och de använde sig av DJI Phantom 4. Till andra projekt använder vi våra egna drönare och de varierar från DJI Mini till DJI Matrice V2. Vi har ett projekt i AI Fenologi och där har vi använt oss av RTK positionering.

Svar: Gör någon kontroll av klassningsresultat med fältinventering? Ground truth?
Fråga: Vi hann inte med i lärkprojektet men vid alla andra AI projekt försöker vi verifiera med ground truth. Till exempel vid almsjuka har vi samlat ground truth med detaljer om trädart, skada, brösthöjdsmått, höjd och en bild av trädet.

Fråga: Finns planer på att nyttja modellerna till att försöka hitta skador i ett väldigt tidigt stadie så åtgärder kan göras tidigt?
Svar: Vi har samlat data kring detta i AI projekt om granbarkborre. Vår plan är att testa med multispektral data för att upptäcka skador i tidigt stadie. 

Har du frågor eller vill ge oss feedback? Kontakta Halil Radogoshi på Skogsstyrelsen, halil.radogoshi@skogsstyrelsen.se