شناسایی خودکار خودرو از تصاویر ماهواره ای گوگل ارث بر مبنای شبکه های عصبی یادگیری عمیق تک مرحله ای آشکارساز شیئ

شبکه حمل و نقل جاده ای و شهری زندگی روزمره ما را برای مسیریابی بهینه تسهیل می کنند. در شبکه معابر، مدیریت ترافیک یکی از چالش های اصلی مدیران است. در این خصوص اولین گام برآورد تراکم خودروها در سطح شبکه معابر شهری می باشد. برآورد تعداد خودروها یا سطح اشغال خودروها در سطح کل شهر، با درنظر گرفتن زمان و هزینه کمتر، فقط با تصاویر ماهواره ای امکان پذیر است. در این راستا، در این پژوهش از تصاویر ماهواره ای با قدرت تفکیک مکانی بالای در دسترس و قابل دانلود سامانه گوگل ارث استفاده شده است. برای شناسایی موقعیت خودروها از روش مبتنی بر یادگیری عمیق تک مرحله ای با معماری RetinaNet و بر اساس شبکه های عصبی باقیمانده با تعداد لایه 18، 34 و 50 استفاده شده است. برای داده های آموزشی موقعیت خودروها با جعبه های مرزی مشخص شده و سپس تصاویر ماهواره ای با ابعاد 128 در 128 پیکسل و گام 64 پیکسل بریده شده است. از کل داده های آموزشی 80 درصد برای آموزش و 20 درصد برای اعتبارسنجی به صورت تصادفی استفاده شده است. مدل ها در 50 دوره تکرار و با میانگین دقت بالای 7/0 آموزش داده شده اند. برای ارزیابی مدل های آموزش دیده از تصاویر ماهواره ای حاوی بیش از 15000 خودرو استفاده گردید. پارامتر امکان همپوشانی روش سرکوب غیرحداکثری 25 درصد اعمال شده است. نتیجه نهایی نشان می دهد که استفاده از مدل پیشنهادی در شناسایی خودروها دارای دقت مناسبی می باشد. مدل آشکارساز RetinaNet با شبکه یادگیری عمیق باقیمانده دارای50 لایه از نظر معیار میانگین دقت با 87/0، معیار دقت با 7/0، معیار بازیابی با 99/0 و معیارF1 با 82/0 بهترین عملکرد را داشته است. چالش اصلی مدل های پیشنهادی در مناطق دارای تراکم بالای خودور می باشد، که امکان تشخیص دقیق تعداد خودروها را بدلیل اندازه فاصله نمونه برداری زمینی تصاویر ماهواره ای کاهش می دهد اما سطح اشغال را بهتر برآورد می کند.