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

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.

تشخیص وسایل نقلیه, شبکه عصبی عمیق کانولوشن, شبکه عصبی VGG