شناسایی تجهیزات زرهی با استفاده از الگوریتم یولو مبتنی بر مجموعه داده DSAE از تصاویر پهپاد

با پیشرفت فناوریهای رایانه ای در زندگی روزمره ی بشر، شاهد حضور سیستمهایی باقابلیت تشخیص اشیاء در تصاویر هستیم. امروزه تشخیص اشیاء در تصاویر و درک مفهوم تصاویر به یک مسئله ی مهم تبدیل شده است. در این حوزه میزان دقت و سرعت الگوریتمهای یادگیری عمیق یکی از مهمترین پارامترها میباشند؛ همچنین از مهمترین چالشها در بکارگیری الگوریتمهای یادگیری عمیق، انتخاب مجموعه داده مناسب در جهت آموزش الگوریتم میباشد.گاها عدم وجود مجموعه داده استاندارد ازنظر تعداد نمونه های کافی در جهت آموزش الگوریتم میتواند مشکل ساز شود. ایجاد مجموعه داده تصاویر بومی استاندارد در جهت آموزش الگوریتم تشخیص اشیاء، هدف اصلی ما میباشد.با به کارگیری الگوریتمهای یک مرحله ای در این حوزه ازجمله شبکه ی عصبی یولو قصد داریم به حالت بدون وقفه، تجهیزات زرهی موجود در تصاویر هوایی را تشخیص دهیم. مجموعه داده جمع آوری شده با نام DSAE، شامل ۱۲۰۰ تصویر در فرمت رنگی قرمز، سبز و آبی از تجهیزات زرهی میباشد؛ این مجموعه داده در پنج کلاس مختلف ازجمله تانک، نفربر، موشک انداز، کامیون نظامی و خودرو نظامی تقسیم بندی میشود. همچنین در نتایج به دست آمده از پژوهش توانستیم الگوریتمهای خانواده یولو نسخه پنج را با مجموعه داده بومی و در ۱۰۰ مرتبه آموزش دهیم و در یولو نسخه پنج بزرگ برای معیارهای متوسط میانگین دقت، فراخوانی، اف۱ و دقت به ترتیب به مقدار ۹۵,۳۰، ۹۰,۵، ۹۰ و ۹۲,۸ درصد دست بیابیم.

کلیدواژه ها:

تشخیص اشیاء ، یادگیری عمیق ، مجموعه داده تصاویر ، الگوریتم یولو