مهدیس یارمحمدی؛ علی اصغر آل شیخ؛ محمد شریف
چکیده
طوفان‌های گردوغبار بلایایی طبیعی‌اند که در زندگی انسان و محیط‌زیست تأثیر چشمگیری گذاشته‌اند. توسعة مدل‌هایی، به‌منظور پیش‌بینی مسیر حرکت این طوفان‌ها، در پیشگیری و مدیریت طوفان‌های گردوغبار نقش بسزایی ایفا می‌کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب‌پذیر بعدی در برابر طوفان را مشخص می‌کنند. به‌لطف امکانات روش‌های ...
بیشتر
طوفان‌های گردوغبار بلایایی طبیعی‌اند که در زندگی انسان و محیط‌زیست تأثیر چشمگیری گذاشته‌اند. توسعة مدل‌هایی، به‌منظور پیش‌بینی مسیر حرکت این طوفان‌ها، در پیشگیری و مدیریت طوفان‌های گردوغبار نقش بسزایی ایفا می‌کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب‌پذیر بعدی در برابر طوفان را مشخص می‌کنند. به‌لطف امکانات روش‌های یادگیری عمیق در حل مسائل مبتنی‌بر سری زمانی و یافتن الگوهای پنهان از حجم دادة کلان، در این پژوهش، یک مدل ترکیبی شبکة عصبی پیچشی (CNN) به‌منظور پیش‌بینی مسیر حرکت طوفان گردوغبار، براساس دادة عمق نوری هواویز (AOD) محصول MERRA-2 برای دوازده ساعت آینده، توسعه داده شده است. همچنین چهل رویداد طوفان، شامل 2489 ساعت طوفان در منطقهای خشک در مرکز و جنوب آسیا، به‌منظور آموزش مدل به‌کار رفته است. نتایج نشان می‌دهد که مدل پیشنهادی پیش‌بینی دقیقی از مسیر حرکت طوفان به‌دست می‌دهد؛ بهگونهایکه درمورد گامهای زمانی 3، 6، 9 و 12 ساعت آینده، مقادیر دقت کلی بهترتیب برابر با 9806/0، 9810/0، 9813/0 و 9790/0، مقادیر امتیاز F1 بهترتیب برابر با 8490/0، 8524/0، 8530/0 و 8384/0 و مقادیر ضریب کاپا بهترتیب برابر با 8387/0، 8424/0، 8431/0 و 8273/0 است.
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.
محمدرضا گیلی؛ داود عاشورلو؛ حسین عقیقی؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم‌زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان‌های دورة کشت و کمبود داده‌های زمینی، طبقه‌بندی محصولات زراعی در تصاویر ماهواره‌ای را به کاری چالش‌برانگیز مبدل می‌کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته‌ترین ویژگی ...
بیشتر
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم‌زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان‌های دورة کشت و کمبود داده‌های زمینی، طبقه‌بندی محصولات زراعی در تصاویر ماهواره‌ای را به کاری چالش‌برانگیز مبدل می‌کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته‌ترین ویژگی پوششهای گیاهی ازجمله محصولات کشاورزی است که می‌توان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص‌های گیاهی انجام می‌شود که اطلاعات بسیار مفیدی از توالی ویژگی‌های فنولوژیک محصولات کشاورزی در اختیار ما قرار می‌دهد. استفاده از روش‌های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری‌ها می‌تواند، در طبقه‌بندی محصولات کشاورزی و کاهش وابستگی به داده‌های زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکه‌های عصبی بازگشتی در تجزیه و تحلیل داده‌های متوالی است که توانایی یادگیری توالی‌های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینل‌ـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت‌شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقه‌بندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزش‌دیده در طبقه‌بندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به‌دست آمد. افزایش تعداد نمونه‌های زمینی و انتخاب مرز دقیق محصولات، می‌تواند کارایی روش مورد استفاده را افزایش دهد.
ناصر فرج‌زاده؛ هیوا ابراهیم‌زاده
چکیده
توسعة سیستم‌های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش‌های مهمی مانند متفاوت‌بودن ظاهر ساختمان‌ها، تغییرات روشنایی، زاویة تصویربرداری و فشرده و چگال‌بودن جاده‌ها و ساختمان‌ها در نواحی شهری روبه‌روست. در چند سال اخیر، استفاده از شبکه‌های عصبی مصنوعی چندلایه (شبکه‌های عصبی عمیق) مورد توجه بسیاری از پژوهشگران ...
بیشتر
توسعة سیستم‌های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش‌های مهمی مانند متفاوت‌بودن ظاهر ساختمان‌ها، تغییرات روشنایی، زاویة تصویربرداری و فشرده و چگال‌بودن جاده‌ها و ساختمان‌ها در نواحی شهری روبه‌روست. در چند سال اخیر، استفاده از شبکه‌های عصبی مصنوعی چندلایه (شبکه‌های عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزه‌های مشابه) قرار گرفته و نتایج خیره‌کننده‌ای با به‌کارگیری آنها حاصل شده است. باوجوداین، به‌دلیل استفاده از لایه‌های کاملاً متصل در راهکار‌های داده‌شده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساخته‌شده نیز به‌سرعت دچار پدیدة بیش‌برازش می‌شود. علاوه‌براین، در بیشتر روش‌های پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تک‌کلاس استفاده شده است. به‌عبارتی، تشخیص جاده‌ها و ساختمان‌ها از عوارض طبیعی به‌طور هم‌زمان امکان‌پذیر نیست و لازم است مدل‌های جداگانه‌ای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساخته‌شده با استفاده از آن بتواند، هم‌زمان، جاده‌ها و ساختمان‌ها را از عوارض طبیعی تشخیص دهد و به‌این‌ترتیب، پیچیدگی عمل طبقه‌بندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایه‌های کاملاً متصل از معماری چندلایه‌ای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایش‌های انجام‌گرفته روی بانک تصاویر هوایی ماساچوست نشان می‌دهد عملکرد معماری پیشنهادی %۳۸ سریع‌تر از دیگر روش‌های مبتنی‌بر شبکه‌های عصبی چندلایه بوده است و دقت تشخیص را به‌طور میانگین، %۲ افزایش می‌دهد.
نیما فرهادی؛ عباس کیانی؛ حمید عبادی
چکیده
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر به‌ویژه در تصاویر سنجشازدوری، به شمار می‌آید. یکی از روش‌های کارآمد و بهروز در این زمینه، به‌کارگیری شیوه‌های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه‌ای از الگوهای منحصربه‌فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در ...
بیشتر
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر به‌ویژه در تصاویر سنجشازدوری، به شمار می‌آید. یکی از روش‌های کارآمد و بهروز در این زمینه، به‌کارگیری شیوه‌های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه‌ای از الگوهای منحصربه‌فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در یک یا چند ویژگی به‌طور هم‌زمان اتفاق می‌افتد که می‌توان به‌تفاوت در شکل، رنگ و درجه خاکستری اشاره نمود. در این راستا، روش یادگیری عمیق با توانایی تحلیل مفاهیم انتزاعی سطح بالا، می‌تواند انتخاب مناسبی در این زمینه باشد. در روش پیشنهادی، ابتدا یک پایگاه‌داده مطابق با شرایط محیطی و جغرافیایی کشور از برخی از فرودگاه‌های ایران تشکیل‌‌شد. سپس با استفاده از شبکه‌های عصبی کانولوشنی به تولید مدل یادگیرنده بهینه اقدام شد. برای این کار، در قسمت پردازش داده‌های خام در کنار استفاده از روش انتقال آموزشی، بردارهایی جهت دسته‌بندی عوارض موردنظر استخراج و به یک مدل ماشین‌بردار پشتیبان طبقه‌بندی‌کننده، تحویل داده می‌شوند. در ادامه، مقادیر خروجی با مقادیر به‌دست‌آمده از تصویر آزمایشی برای هر عارضه، مقایسه و در یک روند تکرارشونده تحلیل و جهت تطابق ساختاری بررسی می‌شوند. نتایج استخراج‌شده از اعمال مدل پیشنهادی بر روی چند سری داده آزمایشی، ارزیابی و با روش‌های مشابه مقایسه شد که درنهایت با مقادیر 21/98 درصد برای معیار Precision و 1/99 درصد برای معیار F1-Measure، قادر به شناسایی عوارض هدف است
