بهبود شبکه یادگیری عمیق YOLOv5 برای شناسایی خودرو و استخرهای روباز با استفاده از تصاویر پهپادی

تشخیص اجسام کوچک مانند خودرو و استخرها در تصاویر پهپادی با توان تفکیک مکانی بالا، به دلیل ویژگی های هندسی و رنگ مشابه آن ها، با چالش هایی روبرو است. افزایش تعداد خودروها نه تنها از منظر ترافیک شهری یک چالش مهم محسوب می گردد بلکه منجر به مشکلات زیست محیطی نظیر آلودگی و گرم شدن هوا نیز می گردد؛ از این رو، پایش این اهداف می تواند نقشی مهم در مدیریت این مشکلات داشته باشد. از طرفی، ساخت و نگهداری استخرهای آبی نیز به مقدار قابل توجهی آب نیاز دارد و پایش این اهداف در محیط های شهری برای صرفه جویی در مصرف آب ضروری است. در این راستا، تصاویر سنجش ازدور پهپادی و شبکه های یادگیری عمیق که توانایی بالایی در شناسایی اشیاء از این تصاویر را دارند، ابزاری مناسب برای پایش این اهداف محسوب می شوند. اگرچه تاکنون پژوهش های ارزشمندی در این زمینه برای مقابله با هریک از چالش های محیط زیستی مطرح شده صورت گرفته است، اما همچنان کاستی هایی در آن ها وجود دارد. در این مطالعه، یک شبکه یادگیری عمیق جدید YOLOv5+ برای شناسایی دو هدف خود رو و استخر آبی از تصاویر پهپادی توسعه داده شده است، بطوری که در آن عملکرد شبکه در استخراج ویژگی های کارآمد به دلیل بکارگیری مکانیسم Inception در لایه های میانی تقویت شده است. همچنین، در این تحقیق، از داده های پهپادی مرجع DJI Mavic و DJI Mini Se که از مناطق تیانجین در کشور چین و کان در کشور فرانسه اخذ شده اند، برای ارزیابی عملکرد شبکه پیشنهادی و مقایسه آن با شبکه های یادگیری عمیق YOLOv5 و YOLOv7 استفاده گردید. در نهایت، نتایج نشان داد شبکه پیشنهادی با دقت کلی 95%، بطور میانگین عملکرد شبکه های قیاسی را 2 درصد بهبود بخشیده است که نشان دهنده کارایی رویکرد پیشنهادی در این تحقیق است.