ارزيابي و مقايسه عملكرد شبكه هاي عصبي عميق FCN و RDRCNN به‌منظور شناسايي و استخراج عارضه راه شهري با استفاده از تصاوير سنتينل-2 با قدرت تفكيك مكاني متوسط

استخراج عارضه راه با استفاده از تصاوير سنجش ازدور طي سال هاي گذشته به‌عنوان يكي از موضوعات جذاب، موردتوجه محققين بوده است. اخيراً پيشرفت و توسعه ي شبكه هاي عصبي عميق (DNN) در بخش تقسيم بندي معنايي به يكي از روش هاي مهم استخراج راه تبديل‌شده است. در اين ميان اكثريت تحقيقات انجام‌شده درزمينه‌ي استخراج عارضه ي راه با بهره گيري از DNN در مناطق شهري و غيرشهري با استفاده از تصاوير با قدرت تفكيك مكاني بالا انجام‌گرفته است. در اين تحقيق براي اولين بار جهت استخراج عارضه ي راه با استفاده DNN، از تصاوير با وضوح مكاني متوسط سنجنده سنتينل 2 بهره گرفته شد، به اين صورت كه از تصوير شهر تهران به‌عنوان داده ي تست و از 7 شهر ديگر (مشهد، اصفهان، شيراز، تبريز، كرمانشاه، اروميه و بغداد) به‌عنوان داده هاي آموزش و اعتبارسنجي، استفاده گرديد. در اين ميان، پس از آماده‌سازي و برچسب زني همه ي پيكسل هاي مربوط به عارضه ي راه، تصاوير به قطعات 256 در 256 پيكسل تبديل و پس از جداسازي قطعات نامناسب، براي داده هاي تست، آموزش و اعتبارسنجي به ترتيب 135، 1500 و 100 قطعه تصوير به دست آمد. درنهايت براي آموزش و استخراج عارضه ي راه، از شبكه ها ي عصبي كانولوشن باقيمانده عميق پالايش شده (RDRCNN) و UNet كه مبتني بر شبكه هاي كاملاً كانولوشن (FCN) است، استفاده شد. نتايج حاصله حاكي از آن است كه هر دو مدل RDRCNN و FCN در مقايسه با داده هاي واقعيت زميني شبكه راه شهري تهران را از تصاوير سنتينل 2 به‌خوبي شناسايي و استخراج كرده اند. در اين ميان مدل FCN هم ازنظر بصري و هم ازنظر متريك هاي ارزيابي صحت نسبت به مدل RDRCNN عملكرد بهتري داشته، به‌طوري‌كه براي مدل FCN، معيارهاي كامل بودن 82.92%، صحت 77.67%، امتيازF1 %80.20 و دقت كلي96.30% و براي RDRCNN معيارهاي كامل بودن 80.43%، صحت 71.37، امتيازF1 %77.74 و دقت كلي 95.71% به دست آمد. به‌طوركلي يافته هاي اين پژوهش پتانسيل استفاده از روش هاي DNN براي استخراج عارضه ي راه شهري با بهره گيري از تصاوير باقدرت تفكيك مكاني متوسط سنتينل 2 را نشان مي دهد.