リモートセンシング（Remote Sensing）（※1）は、人工衛星や航空機、ドローンなどを用いて、広範囲の大気や地表の状況を瞬時（かつ、同地域を繰り返し定期的）に観測できるという特徴を持つため、植生分布の把握、土地利用・土地被覆マップの作成、地表面形状の観測、水質・水温の観測、雲や雨などの気象状況の観測など、幅広い分野に活用されています。

　近年、ドローン技術の進歩により、低層（通常地面から300メートル以下の空間を指す）でのリモートセンシング技術とのその応用が非常に注目されています。特に2015年以降、深層学習(Deep Learning) （※2）をリモートセンシングデータに適用し、対象物を自動抽出する技術の開発が盛んに行われています。

　この度、東京都市大学 環境学部 環境創生学科の史 中超教授と同研究室の学生らは、ドローン低層リモートセンシングと深層学習を用いた地物自動認識技術（プラットフォーム）を開発し、東京都市大学横浜キャンパスにある竹林の調査を試みました。

　本研究ではセマンティックセグメンテーション（Semantic Segmentation）（※3）という人工知能（AI）の最も高度な手法である深層学習のアルゴリズムを用いて対象物の認識を行います。セマンティックセグメンテーションはU-net（全層畳込みネットワーク）（※4）を利用します。

主な処理プロセスは以下の通りです。

〇対象画像の分割を行い、分割された画像に対してラベル付けを行い、トレーニングデータセットを作ります。

〇トレーニングデータセットを用いて、学習させます。

〇画像認識・検証を行います。

　セマンティックセグメンテーションは、画像内の画素にラベルを付けるため、従来の対象物検出や分類の方法に比べ、高精度に達することができることが特徴として挙げられます。

　以下に竹の自動認識を例として、本プラットフォームの仕組みを紹介します。

・ステップ1：ドローンにより画像を撮影し、画像分割を行います（図1）。

・ステップ2：ラベリング作業（アノテーション）によりトレーニングデータ（教師データ）セットを作成します（図2）。

・ステップ3：画像変換処理を行います。より多くのデータセットを獲得し、特徴を充実させ、モデルの過剰適合を防ぐために、十分なデータセットを用意する必要があります。本プラットフォームでは、回転、左右交換、斜め四角形変化、垂直ひずみ、拡大・縮小、弾性ねじれ、輝度変換等の方法を用いてデータセットを充実させます（図3）。

・ステップ4：トレーニングを行い、検証のためトレーニングのロスの推移を記録していきます。図4に示すように、トレーニングの初期段階では、lossの低下が早く、トレーニングラウンドが100回になると、ほぼ安定したペースで推移していることが分かります。

・ステップ5：認識を行い、結果を検証します（図5）。今回の実証実験では、672枚のデータセットを作り、深層学習によりトレーニングおよび実証実験を行い、検証を行った結果、竹の認識率が90.27%に達し、実用化レベルまでに近づいたと言えます。

　今回撮影に使用したドローンはDJI　mini 2（スペック：離陸重量199g、超高画質4K動画、風圧抵抗 レベル5、最大伝送距離6 km)です（図6）。

　また、これらの研究成果は5月16日（月）~18日（水）にオンラインで開催されたリモートセンシングの国際会議International Symposium on Remote Sensing 2022（ISRS 2022）で発表しました。