بهبود شبكه يادگيري عميق YOLOv5 براي شناسايي خودرو و استخرهاي روباز با استفاده از تصاوير پهپادي

تشخيص اجسام كوچك مانند خودرو و استخرها در تصاوير پهپادي با توان تفكيك مكاني بالا، به دليل ويژگي‌هاي هندسي و رنگ مشابه آن‌ها، با چالش‌هايي روبرو است. افزايش تعداد خودروها نه تنها از منظر ترافيك شهري يك چالش مهم محسوب مي‌گردد بلكه منجر به مشكلات زيست‌محيطي نظير آلودگي و گرم‌شدن هوا نيز مي‌گردد؛ از اين‌رو، پايش اين اهداف مي‌تواند نقشي مهم در مديريت اين مشكلات داشته باشد. از طرفي، ساخت و نگهداري استخرهاي آبي نيز به مقدار قابل توجهي آب نياز دارد و پايش اين اهداف در محيط‌هاي شهري براي صرفه‌جويي در مصرف آب ضروري است. در اين راستا، تصاوير سنجش‌ازدور پهپادي و شبكه‌هاي يادگيري عميق كه توانايي بالايي در شناسايي اشياء از اين تصاوير را دارند، ابزاري مناسب براي پايش اين اهداف محسوب مي‌شوند. اگرچه تاكنون پژوهش‌هاي ارزشمندي در اين زمينه براي مقابله با هريك از چالش‌هاي محيط زيستي مطرح‌شده صورت گرفته‌است، اما همچنان كاستي‌هايي در آن‌ها وجود دارد. در اين مطالعه، يك شبكه يادگيري عميق جديد YOLOv5+ براي شناسايي دو هدف خود رو و استخر آبي از تصاوير پهپادي توسعه داده شده‌است، بطوري كه در آن عملكرد شبكه در استخراج ويژگي‌هاي كارآمد به دليل بكارگيري مكانيسم Inception در لايه‌هاي مياني تقويت شده‌است. همچنين، در اين تحقيق، از داده‌هاي پهپادي مرجع DJI Mavic و DJI Mini Se كه از مناطق تيانجين در كشور چين و كان در كشور فرانسه اخذ شده‌اند، براي ارزيابي عملكرد شبكه پيشنهادي و مقايسه آن با شبكه‌هاي يادگيري عميق YOLOv5 و YOLOv7 استفاده گرديد. در نهايت، نتايج نشان داد شبكه پيشنهادي با دقت كلي 95%، بطور ميانگين عملكرد شبكه‌هاي قياسي را 2 درصد بهبود بخشيده‌است كه نشان‌دهنده كارايي رويكرد پيشنهادي در اين تحقيق است.