نوع مقاله : علمی - پژوهشی

نویسنده

• بهروز مرادی

دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

فرود اتوماتیک یکی از موضوعات و چالش‌های مهم در حوزه­ی­ کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعه­ی الگوریتم‌های فرود اتوماتیک نیازمند تعیین موقعیت پهپاد نسبت به محل فرود است که این امر در حوزه‌های پردازش تصویر نیازمند تشخیص دقیق و سریع محل فرود می­باشد. ازجمله روش‌های معمول در این زمینه، طبقه­بندی­کننده­ی آبشاری، تناظریابی و قطعه‌بندی تصویر است که به نظر می‌رسد با تغییرات آب و هوایی، مقیاس متفاوت این الگوریتم‌ها با چالش مواجه شوند. از طرف دیگر، در سال­های اخیر شبکه‌های کانولوشنی عمیق به‌عنوان مدل‌هایی قوی جهت شناسایی و تشخیص اشیاء در تصاویر به کار رفته‌اند. اما با این حال با توجه به بار محاسباتی زیاد، این مدل‌ها هنوز در حوزه­ی پرنده‌های بدون سرنشینی که از لحاظ سخت‌افزاری سبک هستند و قدرت پردازش ضعیفی دارند، به‌صورت جدی به کار گرفته نشده‌اند. در این مقاله، هدف مقایسه­ی دو روش شبکه‌های عمیق کانولوشنی و طبقه­بندی­کننده­ی آبشاری برای تشخیص آنی محل فرود است. نتایج پیاده‌سازی روش­ ارائه‌شده بر روی یک پرنده Parrot AR Drone2.0 نشان می‌دهد که شبکه های کانولوشنی نسبت به دوران، مقیاس، انتقال و حتی پنهان­شدگی تا حد بسیار زیادی پایدار هستند. دقت تشخیص در این روش 99/1 است که نسبت به روش طبقه‌بندی­کننده­ی آبشاری 3 درصد بیشتر است درحالی‌که از لحاظ سرعت هم مناسب کاربردهای آنی می­باشد.

کلیدواژه‌ها

• یادگیری عمیق
• فرود اتوماتیک
• پرنده‌های بدون سرنشین

عنوان مقاله [English]

Comparison of convolutional neural networks and cascade classifiers for object detection in autonomous UAV landing

نویسنده [English]

• Behrooz Moradi

K.N.Toosi university

چکیده [English]

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. Traditional approaches include cascade classifiers, image matching and segmentation techniques which seems to face these algorithms with major challenges in different weather conditions. 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.

کلیدواژه‌ها [English]

• Deep learning
• Autonomous landing
• UAV