عاطفه عطائی - دانشجوی کارشناسی ارشد، دانشگاه صنعتی نوشیروانی بابل
سیدجواد کاظمی تبار - استادیار دانشگاه صنعتی نوشیروانی بابل

تشخیص اشیا زیرشاخه ای از بینایی رایانه است که در حال حاضر به شدت مبتنی بر یادگیری ماشین است. طی دهه گذشته، حوزه یادگیری ماشین تحت سلطه شبکه های عصبی عمیق قرار دارد که از پیشرفت در قدرت محاسبات و در دسترس بودن داده ها بهره می برند. یک زیرگروه از شبکه عصبی به نام شبکه عصبی کانولوشن برای کارهای مربوط به تصویر مناسب است. این شبکه آموزش داده شده است تا به دنبال ویژگی های مختلفی مانند لبه ها، گوشه ها و تفاوت رنگ در تصویر باشد و این موارد را به اشکال پیچیده تر ترکیب کند. برای تشخیص شی، سیستم باید هم مکان اشیا احتمالی را تخمین بزند و هم اشیا را طبقه بندی کند. در این مقاله، ساختار و معماری شبکه نسخه ۳ شبکه YOLO را مرور و قابلیت اجرای این شبکه را بر روی مجموعه داده، یکی Seaships شامل ۳۱.۴۴۵ تصویر در ۶ کلاس برچسب گذاری شده ۴ کلاس متعلق به کشتی های باربری و ۲ کلاس غیر باری بررسی می نماییم. ما با استفاده از هسته گرافیکی Tesla P۱۰۰-PCIE-۱۶GB با حافظه ۱۶ گیگابایت در بستر فضای ابری گوگل کولب به زبان برنامه نویسی پایتون ۳/۸ دریافتیم که YOLOv۳ قادر به دسته بندی کشتی با دقت بالایی است که این خود کمک شایانی در پیاده سازی سیستم تشخیص کشتی در سطح دریا می نماید و همچنین دریافتیم که همچنان نیاز به یک مجموعه داده قدرتمند در تشخیص کشتی برای آموزش شبکه است. در این پایان نامه ما توانستیم دقت یادگیری و تست شبکه بهبود ببخشیم به میانگین متوسط دقت ۹۸ درصد با استفاده از این الگوریتم برسیم.

تشخیص اشیا، تشخیص کشتی، شبکه YOLO