ارائه روشی در زمینه آشکارسازی اهداف در تصاویر ماهواره‌ای با استفاده از یادگیری عمیق و با رویکرد سنجش از دور و GIS

محورهای موضوعی : سنجش از دور

نادر بیرانوند ¹ , مهدی کیخایی ² , رویین ممانی ³

1 - استادیار دانشگاه امام علی (ع)
2 - دانشجوی دکتری سنجش از دور و GIS دانشگاه تهران تهران، ایران
3 - کارشناسی ارشد عمران، دانشگاه شهید بهشتی ، تهران، ایران

تاریخ دریافت : 1400/03/05 تاریخ پذیرش : 1399/11/01 تاریخ انتشار : 1400/03/01

کلید واژه: شبکه عصبی کانولوشن, یادگیری عمیق, سنجش از دور, آشکارسازی خودکار اهداف,

چکیده مقاله :

آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده‌های سطح محسوب می‌گردد. تکنیک‌های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجنده‌های ماهواره‌ای با تلفیق الگوریتم‌های یادگیری عمیق نمایان‌سازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایه‌های CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از داده‌های جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهره‌گیری از آموزش شبکه به وسیله داده‌های آموزشی به آشکارسازی کشتی‌های موجود در تصاویر ماهواره‌ای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شده‌است. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتی‌های موجود در تصاویر ماهواره‌ای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهواره‌ای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آن‌ها به ترتیب برابر با %100، % 61/97 و % 83/98 بوده‌است که نمایانگر دقت و قابل اعتماد بودن الگوریتم می‌باشد.

چکیده انگلیسی:

Automatic detection of features in different areas according to various objectives, including urban management, military objectives, etc., are one of the most up-to-date and important applications of machine learning today. Combining the Global Geographic System (GIS) with images taken from satellite sensors and finally using deep learning methods, which is one of the main branches of machine learning, is a great help to the visible subject. Made the effects in the images using remote sensing science.. At the beginning of this research, the various layers in the proposed algorithm have been comprehensively presented and introduced, and then a new method has been presented in the simultaneous combination of CNN and pooling layers in the algorithm used, which finally It led to a significant reduction in network training time using comprehensive training data with high accuracy and at the same time high volume, which in the end, after entering the fully connected layer to extract and identify the desired goals with acceptable accuracy along with cost-effectiveness. Save time. In this research, using network training through training data, ships in satellite images are detected by creating a fully convoluted FCN network. In order to evaluate the performance and accuracy of the algorithm used in finding and detecting ships in satellite images, by applying this detection algorithm on several other satellite images, Precision, Recall and F1-Score evaluation criteria were used. The values were equal to 100%, 97.61% and 98.83%, respectively, which indicates the accuracy and reliability of the algorithm.