رادار روزنه‌ای مصنوعی (SAR)، یادگیری عمیق، هوش‌مصنوعی، سنجش از راه دور
محورهای موضوعی : فنآوری های نوین در منابع طبیعی و محیط زیست
گوهر ورامینی
1
,
امین اسکندری
2
,
امین طوسی
3
1 - گروه مهندسي برق، واحد بیضا، دانشگاه آزاد اسلامی، بیضا، ايران
2 - دانشگاه آزاد اسلامی، واحد شیراز، گروه مهندسی برق و کامپیوتر، شیراز، ایران
3 - گروه مهندسي کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ايران
کلید واژه:
چکیده مقاله :
مقدمه: فناوری تشخیص، شناسایی و آشکارسازی اشیا و محیط‌زیست یکی از پارامترهای بسیار مهم در علوم مهندسی و زیست‌محیطی به‌شمار می‌آید. هم‌چنین در زمینه یادگیری عمیق وحوزه‌های هوش‌مصنوعی دارای کاربرد بسیار گسترده‌ای است و نقش به‌سزایی در تشخیص، شناسایی و بازسازی تصاویر را بر عهده دارد. این فنآوری مقدمه‌ای برای بسیاری از پروژه‌ها و الگوریتم‌های این حوزه می‌باشد که در آن اشیاء در تصاویر ماهواره‌ای و رادار شناسایی و از اطلاعات و داده‌های مازاد تفکیک‌شده و در مراحل بعد کلاس‌بندی و در نهایت مورد سنجش قرار می‌گیرند.
مواد و روش‌ها: روش شناسایی اهداف زمینی توسط رادار SAR با استفاده از یادگیری عمیق و شبکه‌های عصبی مصنوعی می‌باشد. در مرحله پیش‌پردازش، به‌منظورکاهش اثرات مخرب نویز و حفظ داده‌های اصلی، از فیلتر Lee به‌دلیل کارایی بهتر در بهبود کیفیت تصویر و حفظ بهتر لبه‌ها مورد استفاده قرار گرفته است و جداسازی داده‌های مازاد از تصاویر اصلی با استفاده از الگوریتم جداسازی کور سیگنال بهره گرفته است.
نتایج و بحث: در این پژوهش شرایط زیست‌محیطی گستره جغرافیایی از طریق سنجش از راه دور مورد بررسی قرار گرفته است و روش پیشنهادی به‌منظور طبقه‌بندی داده‌ها از شبکه ترکیبی یادگیری عمیق که نتایج آن با روش‌های مطرح‌شده در زمینه طبقه‌بندی اهداف مورد مقایسه قرارگرفته و در نهایت مشخص می‌گردد شبکه پیشنهادی از نظر دقت طبقه‌بندی با 31/86 درصد نسبت به دیگر شبکه‌های بررسی شده با دقت و ضریب اطمینان بالاتری قابل بررسی و پیاده‌سازی است. در نهایت با استفاده از الگوریتم‌های YOLO و RCNN به بررسی نتایج حاصل از تشخیص و شناسایی اهداف زمینی پرداخته شده که الگوریتم RCNN با دقت بالاتری در تشخیص و شناسایی تصاویر نویززدایی‌شده است.
نتیجه‌گیری: در نهایت عملکرد و ضریب اطمینان بهتر مدل پیشنهادی نسبت به الگوریتم YOLO و بهینه‌سازی تصاویر با دقت بیشتر و خطای بسیار کمی قابل پیاده‌سازی است. عملکرد بسیار مطلوب و با ضریب اطمینان بالایی در کاهش اثرات مخرب و کارایی بهتر سیستم را ایجاد و تامین خواهد کرد.
Introduction: The technology of detection, identification and detection of objects and the environment is one of the most important parameters in engineering and environmental sciences. It is also widely used in the field of deep learning and artificial intelligence domains and plays a significant role in recognizing, identifying, and reconstructing images. This technology is a prelude to many projects and algorithms in this field, in which objects are identified in satellite and radar images and separated from surplus information and data, and in the next stages, they are classified and finally measured.
Materials and Methods: The method of identifying ground targets by SAR radar is using deep learning and artificial neural networks. In the pre-processing stage, in order to reduce the destructive effects of noise and preserve the original data, the Lee filter has been used due to its better efficiency in improving image quality and better preservation of edges, and the separation of excess data from the original images has been used using the blind signal separation algorithm.
Results and Discussion: In this study, the environmental conditions of the geographical area have been investigated through remote sensing and the proposed method in order to classify the data from the combined deep learning network, the results of which have been compared with the methods proposed in the field of goal classification, and finally it is determined that the proposed network in terms of classification accuracy with 86.31% compared to other studied networks with accuracy and coefficient. Higher reliability can be checked and implemented. Finally, using YOLO and RCNN algorithms to investigate the results of the detection and identification of ground targets
It has been discussed that the RCNN algorithm has been denoised with higher accuracy in detecting and identifying images.
Conclusion: Finally, the performance and reliability of the proposed model can be implemented with more accuracy and very little error. It will create and provide a very desirable performance with a high reliability factor in reducing the destructive effects and better efficiency of the system
