Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 1. szám
61 Folyami mederanyag szemösszetételének vizsgálata Mély Tanulás eljárással drónfelvételek alapján Benkő Gergely1, Baranya Sándor1, Török Gergely1 és Molnár Bence2 1 Budapesti Műszaki és Gazdaságtudományi Egyetem, Vízépítési és Vízgazdálkodási Tanszék, 1111 Budapest, Műegyetem rkp. 3. (E-mail: benke.greg@gmail.com, baranya.sandor@epito.bme.hu, torok.gergely@epito.bme.hu) 2 Budapesti Műszaki és Gazdaságtudományi Egyetem, Fotogrammetria és Térinformatika Tanszék, 1111 Budapest, Műegyetem rkp. 3. (E-mail: molnar.bence@epito.bme.hu) Kivonat Az elmúlt években a számítógépes látás és mintafelismerés hatalmas fejlődésen ment keresztül, amely egyrészt köszönhető a jelentősen megnövekedett számítási teljesítménynek, továbbá az alkalmazott algoritmusok és metódusok kifinomultabbá válásának. Jelenleg a mély neurális hálózatok produkálják a legjobb eredményeket ezeken a területeken. Ebben a cikkben azt vizsgáltuk meg, hogy a 2012 óta a figyelem középpontjában lévő Mély Tanulás (Deep Learning) eljárással felgyorsítható és végső esetben automatizálható-e folyók mederanyag szemösszetételének videó alapú elemzése. A kutatás keretében egy ellenőrzött tanulást hajtunk végre, ahol a Duna felső-magyarországi szakaszán készült partmenti drónfelvételekből készített adathalmazzal tanítjuk be a modellt szemeloszlási osztályok felismerésére. A morfodinamikai vizsgálatok során napjainkban alkalmazható eljárásokkal csupán pontbeli szemösszetételi adatok nyerhetők, költséges és időigényes terepi mérések és laboratóriumi elemzések által. A Mély Tanulás alkalmazásától azt várjuk, hogy drónok segítségével készített képsorozatokon keresztül a mederanyag szemösszetételéről területi eloszlásokat tudunk majd előállítani. A módszerben rejlő jelentős potenciál a területi eloszlások előállításán kívül az, hogy megfelelő tanítás után, a képelemzés ideje rendkívül lecsökken, így nagy kiterjedésű területekre lehet rövid idő alatt mederanyag térképeket produkálni. A jelenleg alkalmazható eljárásokhoz képest ez a módszer jelentős fejlődést jelentene nagy folyók medrének morfodinamikai vizsgálataiban, elsősorban olyan szakaszokon, ahol nagy területi változékonyság jellemzi a folyómeder anyagát. A cikkben első lépésben csak a folyók parti sávjának mederanyag vizsgálatára összpontosítunk, de már most megjegyezzük, hogy a bemutatott mérési eljárás átültethető a mederfenékről készített víz alatti videók elemzésére is. Kulcsszavak Mély Tanulás, mesterséges intelligencia, folyami mederanyag, morfodinamika, szemösszetétel. Analysis of river bed material composition with Deep Learning based on drone video footages Abstract In recent years computer vision and pattern recognition methods improved at an immensely fast pace which happened partly because of improvements in computing hardware and also the algorithms became more sophisticated. Currently the deep neural networks are the state-of-the-art techniques in these fields. In this paper our aim is to investigate whether deep learning, which is very popular since 2012, is suitable to accelerate and lastly automatize the analysis of grain size distribution of large rivers. A supervised learning task will be performed first, where the model will be trained with images created from drone video footages, which were captured at the Upper-Hungarian section of the Danube River along the littoral zone. The model should recognize and segment the different grain size classes. Notable that conventional bed material sampling methods are only capable to provide pointwise information on bed material composition, moreover, these methods are often time and cost demanding. On the contrary, it is expected from the tested deep learning method that based on a series of images, which were created from drone footages, will be able to evaluate the areal distribution of the river bed composition. Another significant potential inherent in the method is that after a proper training of the model, the time of image analysis will be greatly reduced and so it will be possible to produce river bed material maps in large areas over a short period of time. Compared with methods currently applicable, this method would be a significant development in the morphodynamical studies of rivers, especially at large river reaches, where mixed size sediments characterize the bed composition. In this paper we focused on the littoral zones of the rivers, however, the introduced measurement procedure can be adopted to analyse underwater videos, too. Keywords Deep Learning, artificial intelligence, river bed material, morphodynamics, material composition. BEVEZETÉS A mederanyag szemösszetétele rendkívül fontos szerepet tölt be a folyók hidromorfológiai vizsgálatában, ugyanis független változóként tekintve rá, felhasználható a folyók osztályozásához, a mederérdesség meghatározásához, a hordaléktranszport vizsgálatokhoz, továbbá pl. értékes információt hordoz arra vonatkozóan, hogy milyen faunával rendelkezik az adott vízfolyás vagy folyószakasz. A mederanyag összetétele kihat arra, hogy a folyómeder hol, hogyan, milyen mértékben tud erodálódni és jelzi azt is, ha a hordalék lerakódása jellemzi a folyószakaszt. Ebből kifolyólag a mederanyag szemösszetétele és ezen szemösszetétel méretbeli eloszlása lényeges minden hidromorfológiai vizsgálat szempontjából. A hagyományos, fizikai alapú mintavételi módszerek csupán pontbeli információkkal látnak el bennünket. Innovatív technológiákkal, mint amilyen a szonár vagy a kép alapú eljárások alkalmazása, meglehetősen pontos szemeloszlások állapíthatók meg, azonban többnyire mind időben, mind anyagiakban költségesek. Olyan folyószakaszokon, ahol a me-
