سنجش از دور و Gis ایران، جلد ۱۴، شماره ۴، صفحات ۱-۱۸
عنوان فارسی مقایسه روش‌های یادگیری عمیق و طبقه‌بندی‌کننده آبشاری در تشخیص اشیا، در فرود اتوماتیک پرنده‌های بدون سرنشین
چکیده فارسی مقاله فرود اتوماتیک یکی از موضوعات و چالش‌های مهم در حوزه‌ کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعه 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، طبقه‌بندی‌کننده 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 به‌منزله مدل‌هایی قوی به‌منظور شناسایی و تشخیص اشیا در تصاویر به‌کار رفته‌اند؛ بااین‌حال با توجه به بار محاسباتی زیاد، این مدل‌ها هنوز در حوزه پرنده‌های بدون سرنشینی که از لحاظ سخت‌افزاری سبک‌اند و قدرت پردازش ضعیفی دارند، کاربرد جدی نیافته‌اند. هدف این مقاله مقایسه دو روش شبکه‌های عمیق کانولوشنی و طبقه‌بندی‌کننده آبشاری برای تشخیص آنی محل فرود است. نتایج عملی‌کردن روش‌ ارائه‌شده روی یک پرنده 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 طبقه‌بندی‌کننده آبشاری، 3% بیشتر است و درعین‌حال‌ از لحاظ سرعت نیز، مناسب کاربردهای آنی است.
کلیدواژه‌های فارسی مقاله یادگیری عمیق، فرود اتوماتیک، پرنده‌های بدون سرنشین،
عنوان انگلیسی Comparison of Deep Learning and Cascade Classifiers Approaches for Object Detection in Autonomous UAV Landing
چکیده انگلیسی مقاله 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. 
کلیدواژه‌های انگلیسی مقاله یادگیری عمیق, فرود اتوماتیک, پرنده‌های بدون سرنشین
نویسندگان مقاله بهروز مرادی |
کارشناس ارشد فتوگرامتری، دانشکدة مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

عباسعلی مهربان |
دکتری هوافضا، دانشکده هوافضا، دانشگاه فردوسی مشهد

مرتضی محمدی |
دکتری هوافضا، دانشکده هوافضا، دانشگاه فردوسی مشهد

نشانی اینترنتی https://gisj.sbu.ac.ir/article_100684_4827c45784bbf807d36c8d62d69dc89f.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات