شناسایی سریع مکان و نوع وسیله نقلیه در تصاویر با استفاده از روش یادگیری عمیق
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 193
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PADSA-10-2_010
تاریخ نمایه سازی: 24 بهمن 1401
چکیده مقاله:
امروزه وسایل نقلیه در مقیاس بالا، در قسمت های مختلف شهر پراکنده هستند و از این جهت احتیاج به کنترل توسط سامانه های برنامه ریزی شده دارند. پیدا کردن خودکار وسایل نقلیه در تصویر و دسته بندی نوع آنها پیچیده است، زیرا وسایل نقلیه شکل ها، رنگها و مدل های بسیار متفاوتی دارند و طراحی شان با یکدیگر متفاوت است. از این رو روشهای مختلف آنالیز تصاویر برای حل این مسئله مطرح گردیده است. اما بعضی از چالشها مانند تعدد تصویر در یک صحنه، بهم پیوستگی تصویر وسیله نقلیه و زمینه تصویر، وجود نویز در تصاویر، تلرانس نسبت به تغییرات نور وجود دارد. در سالهای اخیر استفاده از شبکه های عصبی عمیق به عنوان ابزاری کارآمد در شناسایی با وجود تنوع شرایط محیطی و اجسام مطرح شدهاند. اما چالش استفاده از شبکه های عصبی عمیق بار محاسباتی بالای آنهاست. در این مقاله رویکرد جدیدی برای شناسایی نوع وسایل نقلیه استفاده میشود، این رویکرد از ترکیب شبکه عصبی VGG و الگوریتم تفکیک و دنبال کردن تصاویر Yolo استفاده کرده است. این روش باعث بهبود چالشهای روشهای پیشین میگردد و در ضمن باعث کاهش بار محاسباتی میگردد. تصاویر از دو پایگاه داده ImageNet و COCO گرفته شده و از این پایگاهها به منظور آموزش و آزمون شبکه عصبی استفاده میگردد. نتایج نشان میدهد که سامانه طراحی شده بسیاری از مشکلات را به خوبی برطرف مینماید. دقت تشخیص در مقایسه با سامانههای قبلی ۲ الی ۳ درصد افزایش یافته است. از مزایا این رویکرد میتوان به کیفیت بالا در آشکارسازی تصاویر و سرعت قابل قبول در تشخیص نوع وسیله نقلیه اشاره کرد.
کلیدواژه ها:
نویسندگان
مجتبی ناصحی
دانشجوی دکترا، دانشکده مهندسی برق، دانشگاه آزاد واحد شهر مجلسی، اصفهان، ایران
محسن عشوریان
دانشیار، دانشکده مهندسی برق، واحد شهر مجلسی، دانشگاه آزاد اسلامی، اصفهان، ایران
حسین امامی
دانشیار، دانشکده مهندسی برق، واحد شهر مجلسی، دانشگاه آزاد اسلامی، اصفهان، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :