شناسایی سریع مکان و نوع وسیله نقلیه در تصاویر با استفاده از تکنیک یادگیری عمیق

امروزه وسایل نقلیه در مقیاس بالا، در قسمت های مختلف شهر پراکنده هستند و ازاین جهت احتیاج به کنترل توسط سیستم های برنامه ریزی شده دارند. پیدا کردن خودکار وسایل نقلیه در تصویر و دسته بندی نوع آن ها پیچیده است، زیرا وسایل نقلیه شکل ها، رنگ ها و مدل های بسیار متفاوتی دارند و طراحی شان با یکدیگر متفاوت است. ازاین رو روش های مختلف آنالیز تصاویر برای حل این مسیله مطرح گردیده است. اما بعضی از چالش ها مانند تعدد تصویر در یک صحنه، به هم پیوستگی تصویر وسیله نقلیه و زمینه تصویر، وجود نویز در تصاویر، تلرانس نسبت به تغییرات نور وجود دارد. در سال های اخیر استفاده از شبکه های عصبی عمیق به عنوان ابزاری کارآمد در شناسایی باوجود تنوع شرایط محیطی و اجسام مطرح شده اند. اما چالش استفاده از شبکه های عصبی عمیق بار محاسباتی بالای آن هاست. در این مقاله رویکرد جدیدی برای شناسایی نوع وسایل نقلیه استفاده می شود، این رویکرد از ترکیب شبکه عصبی VGG و الگوریتم تفکیک و دنبال کردن تصاویر Yolo استفاده کرده است. این روش باعث بهبود چالش های روش های پیشین می گردد و در ضمن باعث کاهش بار محاسباتی می-گردد. تصاویر از دو پایگاه داده ImageNet و COCO گرفته شده و از این پایگاه ها به منظور آموزش و آزمون شبکه عصبی استفاده می گردد. نتایج نشان می دهد که سیستم طراحی شده بسیاری از مشکلات ازجمله افزایش سرعت تشخیص وسیله نقلیه و مسیله بار محاسباتی رابه خوبی برطرف می نماید. دقت تشخیص در مقایسه با سیستم های قبلی 4 الی 5 درصد افزایش و به حدود 98 درصد رسیده است. از مزایا این رویکرد می توان به کیفیت بالا در آشکارسازی تصاویر و به دلیل استفاده از الگوریتمYOLO دارای سرعت قابل قبول در تشخیص نوع وسیله نقلیه اشاره کرد.