تشخیص شی در تصاویر هوایی با استفاده از شبکه عصبی کانولوشنی

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص شی در تصاویر هوایی با استفاده از شبکه عصبی کانولوشنی

عنوان لاتین

Object Recognition in Aerial Images Using Convolutional Neural Networks

كاربردهاي متعددي از هواپيماهاي بدون سرنشين (UAV‌ها) در مديريت دارايي‌هاي زيربنايي غیرنظامی وجود دارد. چند نمونه شامل بازرسی‌های منظم پل، مدیریت حوادث ، نظارت بر خطوط برق و بازرسی ترافیک است. با گسترش برنامه‌های UAV، افزایش سطح خودمختاری و تصمیم‌گیری مستقل برای بهبود ایمنی، کارایی و صحت دستگاه‌ها ضروری است. در این مقاله، روش و پارامترهای مورد استفاده برای آموزش شبکه‌های عصبی کانولوشن (CNNs) بر روی مجموعه‌ای از تصاویر هوایی برای تشخیص شیء کارآمد و خودکار‌ را شرح دادیم. زمینه‌های کاربردی بالقوه در زمینه حمل و نقل نیز برجسته شدند. صحت و قابلیت اطمینان CNN‌ها بستگی به آموزش شبکه و انتخاب پارامترهای عملیاتی دارد. این مقاله جزئیات روش آموزش CNN و انتخاب پارامتر را توضیح می‌دهد. نتایج تشخیص شی نشان می‌دهد که با انتخاب یک مجموعه مناسب از پارامترها، CNN می‌تواند اشیا را با سطح بالایی از صحت (97.5٪) و کارایی محاسباتی تشخیص داده و طبقه‌بندی کند. علاوه بر این، با استفاده از یک شبکه عصبی کانولوشن که در پلتفرم ("شما تنها یک‌بار نگاه کنید ") YOLO اجرا می‌شود، اشیا را می‌توان از خوراک‌های ویدئویی ارائه شده توسط UAVs به صورت بلادرنگ، تشخیص ‌داده ‌شده ("مشاهده شده ") و طبقه‌بندی ("درک ") کرد.

There are numerous applications of unmanned aerial vehicles (UAVs) in the management of civil infrastructure assets. A few examples include routine bridge inspections, disaster management, power line surveillance and traffic surveying. As UAV applications become widespread, increased levels of autonomy and independent decision-making are necessary to improve the safety, efficiency, and accuracy of the devices. This paper details the procedure and parameters used for the training of convolutional neural networks (CNNs) on a set of aerial images for efficient and automated object recognition. Potential application areas in the transportation field are also highlighted. The accuracy and reliability of CNNs depend on the network’s training and the selection of operational parameters. This paper details the CNN training procedure and parameter selection. The object recognition results show that by selecting a proper set of parameters, a CNN can detect and classify objects with a high level of accuracy (97.5%) and computational efficiency. Furthermore, using a convolutional neural network implemented in the “YOLO” (“You Only Look Once”) platform, objects can be tracked, detected (“seen”), and classified (“comprehended”) from video feeds supplied by UAVs in real-time.