بهروز مرادی؛ عباسعلی مهربان؛ مرتضی محمدی
چکیده
فرود اتوماتیک یکی از موضوعات و چالش‌های مهم در حوزة کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعة الگوریتم‌های فرود اتوماتیک نیازمند تعیین موقعیت پهپاد نسبت‌به محل فرود است که این کار، در حوزه‌های پردازش تصویر، به تشخیص دقیق و سریع محل فرود نیاز دارد. ازجمله روش‌های معمول، در این زمینه، طبقه‌بندی‌کنندة آبشاری و تناظریابی ...
بیشتر
فرود اتوماتیک یکی از موضوعات و چالش‌های مهم در حوزة کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعة الگوریتم‌های فرود اتوماتیک نیازمند تعیین موقعیت پهپاد نسبت‌به محل فرود است که این کار، در حوزه‌های پردازش تصویر، به تشخیص دقیق و سریع محل فرود نیاز دارد. ازجمله روش‌های معمول، در این زمینه، طبقه‌بندی‌کنندة آبشاری و تناظریابی و قطعه‌بندی تصویر است که به‌نظر می‌رسد، با تغییرات آب‌و‌هوایی و مقیاس متفاوت، این الگوریتم‌ها با چالش مواجه شوند. از طرف دیگر، در سال‌های اخیر شبکه‌های کانولوشنی عمیق به‌منزلة مدل‌هایی قوی به‌منظور شناسایی و تشخیص اشیا در تصاویر به‌کار رفته‌اند؛ بااین‌حال با توجه به بار محاسباتی زیاد، این مدل‌ها هنوز در حوزة پرنده‌های بدون سرنشینی که از لحاظ سخت‌افزاری سبک‌اند و قدرت پردازش ضعیفی دارند، کاربرد جدی نیافته‌اند. هدف این مقاله مقایسة دو روش شبکه‌های عمیق کانولوشنی و طبقه‌بندی‌کنندة آبشاری برای تشخیص آنی محل فرود است. نتایج عملی‌کردن روش ارائه‌شده روی یک پرندة Parrot AR Drone2.0 نشان می‌دهد که شبکه‌های کانولوشنی در مقابل دوران، مقیاس، انتقال و حتی پنهان‌شدگی پایداری بسیار زیادی دارند. دقت تشخیص در این روش 1/99 است که، در قیاس با روش طبقه‌بندی‌کنندة آبشاری، 3% بیشتر است و درعین‌حال از لحاظ سرعت نیز، مناسب کاربردهای آنی است.
بهروز مرادی؛ محمد جواد ولدان زوج؛ مجتبی جنتی؛ سمیه یاوری
چکیده
استفاده از توابع کسری، در غیاب اطلاعات افمریز مدار ماهواره و هندسه داخلی سنجنده، یکی از بهترین روش‌ها برای زمین‌مرجع‌سازی تصاویر ماهواره‌ای و استخراج اطلاعات مکانی از تصاویر ماهواره‌ای است. تعداد زیاد ترم‌ها و عدم تفسیرپذیری آنها، باعث‌شده تا تعدد نقاط کنترل مورد‌نیاز و ایجاد خطای پارامتر‌های اضافه، به‌عنوان مهم‌ترین ضعف‌های ...
بیشتر
استفاده از توابع کسری، در غیاب اطلاعات افمریز مدار ماهواره و هندسه داخلی سنجنده، یکی از بهترین روش‌ها برای زمین‌مرجع‌سازی تصاویر ماهواره‌ای و استخراج اطلاعات مکانی از تصاویر ماهواره‌ای است. تعداد زیاد ترم‌ها و عدم تفسیرپذیری آنها، باعث‌شده تا تعدد نقاط کنترل مورد‌نیاز و ایجاد خطای پارامتر‌های اضافه، به‌عنوان مهم‌ترین ضعف‌های توابع کسری وابسته به زمین شناخته شوند. استفاده از الگوریتم‌های بهینه‌سازی، یکی از راهکار‌های مناسب رفع این ضعف‌ها است. به‌همین‌دلیل از الگوریتم‌های بهینه‌سازی مختلف، برای کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین استفاده شده است. از آنجا که سازوکار هریک از این الگوریتم‌ها با یکدیگر متفاوت است، میزان کارایی و خصوصیات مختلف این الگوریتم‌ها در کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین متفاوت است اما تفاوت‌های موجود به‌صورت جامع، مورد مقایسه و تحلیل قرار نگرفته است. در این مقاله، به‌منظور بررسی کامل و جامع توانایی‌های سه الگوریتم بهینه‌سازی ژنتیک، ژنتیک بهبودیافته و ازدحام ذرات بهبودیافته در کشف ترکیب بهینه ترم‌های توابع کسری از دیدگاه‌های مختلف از جمله دقت، سرعت، تعداد نقاط کنترل مورد نیاز و قابلیت اطمینان به نتایج بدست آمده، از 4 تصویر ماهواره‌ای متعلق به سنجنده‌های GeoEye-1، IKONOS-2، SPOT-3-1ª و SPOT-3-1B استفاده شده است. اختلاف دقت کمتر از 4/0 پیکسل در نتایج هر یک از الگوریتم‌های بهینه‌سازی، 10 تا 12 برابر‌بودن سرعت الگوریتم ژنتیک بهبودیافته نسبت به دو الگوریتم دیگر، به ترتیب برتری 25/45 و 27 درصدی درجه آزادی الگوریتم بهینه‌سازی ازدحام ذرات بهبودیافته نسبت به الگوریتم ژنتیک بهبودیافته و ژنتیک و پراکندگی نسبتا یکسان نتایج هر یک از الگوریتم‌ها در 10 بار اجرای برنامه، حاکی از آن است که دقت هر سه الگوریتم بهینه‌سازی نسبتا یکسان، سرعت الگوریتم ژنتیک بهبودیافته بیشتر، تعداد نقاط کنترل مورد نیاز الگوریتم ازدحام ذرات بهبودیافته کمتر از دو الگوریتم دیگر و قابلیت اطمینان به نتایج هر یک از الگوریتم‌های بهینه‌سازی به منظور کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین، یکسان است.
