Datorredzes modeļa YOLOv8 pielietošana arheoloģisku objektu detektēšanā: Kokogļu dedzināšanas pauguru piemērs

Abstract

Datorredzes modelis YOLOv8 piedāvā daudz iespējas automātiski un ātri fiksēt objektus. Pētījumā izvirzītais mērķis ir novērtēt datorredzes algoritma YOLOv8 efektivitāti kokogļu dedzināšanas pauguru detektēšanai reljefa modeļos un to atvasinājumos. Šie kokogļu dedzināšanas pauguri ir pagātnes liecība, ar kuru palīdzību var rekonstruēt vēsturisko mežu sastāvus, ļauj precīzāk aprēķināt augsnes organisko oglekli un gūt ieskatu par pagātnes saimniecisko darbību. Vērts minēt, ka šo pauguru formas līdzinās citiem nozīmīgiem arheoloģiskiem objektiem – apbedījumu pauguriem. Izmantojot dažādus materiālus, piemēram, kalna ēnojumu (hillshade), topogrāfiskās pozīcijas indeksu (Tpi) un arheoloģiskās topogrāfijas vizualizāciju (VAT), veikta YOLOv8 apmācība un pauguru detektēšana pētījumu teritorijās. Iegūto modeļu precizitāte vērtēta pret manuāli detektēto pauguru kopu, lai noteiktu labāko modeli kokogļu pauguru detektēšanai. Maģistra darbā tika apkopoti YOLOv8 modeļu apmācības rezultātu rādītāji, pielietoti apmācītie modeļi pētījuma teritorijās, savstarpēji izvērtēti modeļu veiktspējas rādītāji, lai sniegtu ieskatu par labāko YOLOv8 modeli kokogļu pauguru detektēšanai. Iegūtie rezultāti liecina, ka datorredzes modelis YOLOv8 spēj efektīvi detektēt kokogļu dedzināšanas paugurus, paplašinot līdzšinējo metožu klāstu arheoloģisko objektu pētniecībai.

The computer vision model YOLOv8 offers many options for automatically and quickly detecting objects. The goal of the study is to evaluate the effectiveness of the computer vision algorithm YOLOv8 for detecting relict charcoal burning mounds in terrain models. These relict charcoal burning mounds are a testimony of the past, where their applications in historical forests compositions reconstruction, more exact calculations of organic carbon in forest soils and an insight into past human activity. It is worth mentioning that the shapes of these relict charcoal burning mounds resemble other important archaeological sites like burial hills. Using various materials such as hillshade, topographic position index (Tpi) and archaeological topography visualization (VAT), YOLOv8 training and object detection was conducted in the research areas. The accuracy of the resulting models is evaluated against the manually detected cluster of relict charcoal burning mounds to decide the best model for detection. The master's thesis summarized the results of YOLOv8 model training, applied trained models in the study areas, cross-evaluated model performance indicators to provide insight into the best YOLOv8 model for detecting relict charcoal burning sites. The results obtained show that the computer vision model YOLOv8 can effectively detect charcoal burning mounds, expanding the existing range of methods for researching archaeological sites.