Seagrass Health Monitoring Using USV & UAV Data with Machine Learning

Abstract

Dette prosjektet undersøkjer forskjellige maskinlæringsmetodar for å overvåke ålegrasenger. Målet er å bestemme ålegrasenga sin dekningsgrad og mengde begroingsalgar for å kunne måle informasjon om seasongvariasjonar. For å få til dette er det brukt UAV og USV løysingar for å hente inn data. Disse datane er brukt til å trene opp maskinlæringsmodellar og analysere sesongvariasjonane.

Datasett som blir nytta i prosjektet inkluderar UAV-bilder frå ulike månadar i 2023, undervassbileter frå ein USV brukt i september, diverse målingar gjort manuelt med GNSS mottakar og treningsdataset laga manuelt i GIS-verktøy. Prosjektet dekkar også metodane for treining og oppsett av dei diverse maskinlæringsmetodane, samt nokon bildeaugmentasjonsteknikkar. Resultata viser at ein CNN-model effektivt kan annotere bilder frå USV, der modelen klarer å lage generaliserte løysingar for å skille ulike havbotnhabitat. For UAV-kart blei både SVM og FCN-modellar testa. SVM modellen fekk generelt log treffsikkerheit og ein del prikka prediksjonar, men klarte generelt å treffe på mange havbotnhabitat. For FCN-modellen fekk den høgare treffsikkerheit. Etterbehandling av resultata frå FCN-modelen blei gjort. Då blei aralet for kvar havbotnklasse kalkulert, i tilegg blei kart med prosentvis dekning laga med 1x1 kvadratmeter seksjonar.

This project investigates various machine learning methods to monitor seagrass meadows, aiming to determine seagrass and turf density and to capture data on seasonal changes. Utilizing USV and UAV technology enables fast and efficient monitoring.

The datasets used in the study include UAV maps from different months, underwater images from a USV, and various ground truth data collected manually or created using GIS tools. The project covers methods for training and preprocessing, including augmentation techniques and programming packages.

The results show that a CNN model can effectively annotate images from a USV, demonstrating the ability to differentiate between different seabed habitats. For UAV images, both SVM and FCN models were tested. While the SVM model had lower accuracy and produced speckled predictions, the FCN model achieved higher accuracy. Some postprocessing of the FCN model was conducted, including area calculation and coverage percentages maps, which biologists can use for analysis.