مقایسه کارایی مدل‌های یادگیری عمیق و شبکه‌ عصبی کانولوشن برای تخمین سطح آب با استفاده از پردازش تصویر و تلفن هوشمند

تخمین سطح آب برای درک و مدیریت منابع آب، پیش‌بینی و کاهش اثرات سیلاب و اطلاع‌رسانی برای تصمیمات مدیریت منابع آب ضروری است، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مانع از انجام آن می‌شود. این مطالعه کارایی یک سیستم اندازه‌گیری سطح آب بدون تماس و مبتنی بر تصویر را با استفاده از پیشرفت‌ها در فناوری تصویربرداری تلفن هوشمند را بررسی می‌کند. به این منظور، از یک تلفن هوشمند که مجهز به دوربین بوده، تصاویر مورد نظر ثبت و سپس جهت شناسایی و اندازه‎‌گیری سطح آب از پردازش تصویر استفاده شد. هسته اصلی این مطالعه شامل توسعه و مقایسه دو مدل محاسباتی بود: یادگیری عمیق (dl) و شبکه‌های عصبی کانولوشن (cnn). این مدل‌ها وظیفه تخمین سطح آب را بر اساس داده‎‌های تصویری پردازش شده داشتند. نتایج نشان‌دهنده درجه متفاوتی از دقت در بین مدل‌ها بود، مدل cnn عملکرد بهتری را نسبت به dl نشان داد که از کمترین میانگین مربع خطای ریشه 24/36 میلی‌متر برخوردار بود. در مقابل، مدل dl با ریشه میانگین مربعات خطای 28/39 میلی‌متر نشان داد که اثربخشی نسبی شبکه عصبی کانولوشن در این مطالعه از لحاظ دقت و قابلیت اطمینان بالا بهتر از یادگیری عمیق است. به این ترتیب می‎توان پایش و کنترل سطح آب را در نقاط سخت و دشوار بدون نیاز به پرسنل مربوطه و کاملا خودکار انجام داد.

comparing the efficacy of deep learning models and convolutional neural network for water level estimation using smartphone, and image processing

water level estimation is essential for understanding and managing water resources, predicting and mitigating flood effects, and water resource management decisions but it is often hindered by limited resources, capitals and time. this study investigates the performance of a non-contact, image-based water level measurement system using advances in smartphone imaging technology. for this purpose, a smartphone equipped with a camera was used to record the desired images. the images were then processed by image processing to identify and measure the water level. the core of this study involved the development and comparison of two computational models: deep learning (dl) and convolutional neural networks (cnn). these models were used to estimate the water level based on the processed image data. the results showed a different degree of accuracy among the models; the cnn model showed better performance than the dl, which had the lowest root mean square error of 24.36 mm. in contrast, the dl model with the root mean square error of 28.39 mm showed that the relative effectiveness of the convolutional neural network in this study is better than deep learning in terms of accuracy and high reliability. the study showed that it is possible to monitor and control the water level in remote and difficult places completely automatically without the need for relevant personnel.