ГОСТ Р 70321.5—2022
5.6.1.6 Сезон съемки
Сезон съемки влияет на спектральные отражательные характеристики объектов древесно-кустар
никовой растительности на снимках. Например, значительные изменения изображения зеленой расти
тельности вызваны характерным видом графика отражения и поглощения солнечного света в период
активной вегетации и в ее отсутствие.
5.6.1.7 Климатический пояс
Климатический пояс определяет фенологические особенности произрастания растений и харак
терные виды растений (деревьев и кустарников, произрастающих на данной территории).
5.6.1.8 Урбанизация территории
Урбанизация территории определяет характерный паттерн контекста изображения объектов дре
весно-кустарниковой растительности на снимках.
5.6.1.9 Процент зарастания
Процент зарастания на снимках определяет плотность зарастаний древесно-кустарниковой рас
тительности.
5.6.1.10 Виды растительности
Виды деревьев и кустарников в совокупности с климатическими условиями определяют простран
ственно-временное распределение спектральных и отражательных характеристик растительности на
снимках.
5.6.2Статистические характеристики распределения существенных факторов устанавлива
ют заказчики испытаний исходя из предусмотренных условий эксплуатации алгоритмов ИИ с уче
том существенных факторов, перечисленных в таблице 1. Дополнительные данные приведены в
ГОСТ Р 59898—2021 (7.2.1.4).
5.7 Программа и методика испытаний
5.7.1 При составлении программы и методики испытаний следует руководствоваться ГОСТ 19.301,
ГОСТ Р 59795—2021 (5.13), ГОСТ Р 59898—2021 (7.1.1) и дополнениями, приведенными в настоящем
стандарте.
5.7.2 Перечень проверок, включаемых в программы и методики испытаний, зависит от специфики
задач, для решения которых применяют алгоритмы ИИ.
6 Тестирование и оценка показателей
6.1 Испытания алгоритмов ИИ проводят по разработанным в соответствии с 5.7 программам и
методикам испытаний.
6.2 Испытания алгоритмов ИИ рекомендуется проводить в следующем порядке:
а) на вход алгоритмов ИИ подают снимки из тестовых наборов данных;
б) результаты работы алгоритмов ИИ регистрируют и сравнивают с разметкой тестовых наборов
данных;
в) рассчитывают показатели функциональной корректности алгоритмов ИИ;
г) по результатам проведения испытаний оформляют протокол испытаний.
6.3 Показатели для оценки функциональной корректности алгоритмов ИИ выбирают исходя из
специфики решаемой задачи на усмотрение заказчика испытаний. Ниже приведены примеры показате
лей для задач сегментации.
В задачах сегментации для оценки классификации могут быть использованы такие показатели, как:
- усредненная по всем классам попиксельная точность;
- усредненная по всем классам попиксельная полнота;
- усредненная по всем классам попиксельная F-мера.
Попиксельную точность, попиксельную полноту и попиксельную F-меру по каждому классу рас
считывают по формулам (14), (15) и (17) ГОСТ Р 59898—2021 соответственно, причем:
-
ТР
— количество истинно положительных исходов: совокупность пикселей снимка, классифици
рованных как относящиеся к объектам древесно-кустарниковой растительности по результатам работы
алгоритма ИИ, принадлежит к объектам древесно-кустарниковой растительности в разметке;
-
TN
— количество истинно отрицательных исходов: совокупность пикселей снимка, классифици
рованных как не относящиеся к объектам древесно-кустарниковой растительности, не принадлежит к
объектам древесно-кустарниковой растительности в разметке;
5