@article { author = {Moradi, Behrooz and Mehraban, AbasAli and Mohammadi, Morteza}, title = {Comparison of Deep Learning and Cascade Classifiers Approaches for Object Detection in Autonomous UAV Landing}, journal = {Iranian Journal of Remote Sensing & GIS}, volume = {14}, number = {4}, pages = {1-18}, year = {2022}, publisher = {Iranian Remote Sensing & GIS Society}, issn = {2008-5966}, eissn = {2588-6185}, doi = {10.52547/gisj.14.4.1}, abstract = {Autonomous landing is a key challenging in the domain of UAV navigation systems. Developing an autonomous landing system requires a precise estimation of the UAV pose relative to landing marker, particularly in vision systems this involves precise Helipad recognition. It seems that traditional approaches including cascade classifiers, image matching and segmentation techniques to have major challenges in different weather conditions and scales. On the other hand, convolutional neural networks (CNNs) have been introduced as a powerful tool in the visual recognition systems in the recent years but the high computational cost of this techniques, limited their performance in the low cost and light weight UAVs. The aim of this paper is to compare the convolutional neural networks and cascade classifier for helipad detection. The results show that CNNs are invariant under translation, rotation, scaling and occlusion. The detection accuracy of this method is 99.1 % which is 3 % more than cascade classifier while its running time is suitable for real time UAV applications. }, keywords = {Deep Learning,Autonomous landing,UAV}, title_fa = {مقایسة روش‌های یادگیری عمیق و طبقه‌بندی‌کنندة آبشاری در تشخیص اشیا، در فرود اتوماتیک پرنده‌های بدون سرنشین}, abstract_fa = {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.}, keywords_fa = {یادگیری عمیق,فرود اتوماتیک,پرنده‌های بدون سرنشین}, url = {https://gisj.sbu.ac.ir/article_100684.html}, eprint = {https://gisj.sbu.ac.ir/article_100684_4827c45784bbf807d36c8d62d69dc89f.pdf} }