مقایسه روش‌های یادگیری عمیق و طبقه‌ بندی ‌کننده آبشاری در تشخیص اشیا، در فرود اتوماتیک پرنده‌های بدون سرنشین

فرود اتوماتیک یکی از موضوعات و چالش‌های مهم در حوزه‌ کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعه الگوریتم‌های فرود اتوماتیک نیازمند تعیین موقعیت پهپاد نسبت‌ به محل فرود است که این کار، در حوزه‌های پردازش تصویر، به تشخیص دقیق و سریع محل فرود نیاز دارد. ازجمله روش‌های معمول، در این زمینه، طبقه‌بندی‌کننده آبشاری و تناظریابی و قطعه‌بندی تصویر است که به ‌نظر می‌رسد، با تغییرات آب ‌و ‌هوایی و مقیاس متفاوت، این الگوریتم‌ها با چالش مواجه شوند. از طرف دیگر، در سال‌های اخیر شبکه‌های کانولوشنی عمیق به ‌منزله مدل‌هایی قوی به ‌منظور شناسایی و تشخیص اشیا در تصاویر به‌ کار رفته‌اند؛ با این ‌حال با توجه به بار محاسباتی زیاد، این مدل‌ها هنوز در حوزه پرنده‌های بدون سرنشینی که از لحاظ سخت‌افزاری سبک‌اند و قدرت پردازش ضعیفی دارند، کاربرد جدی نیافته‌اند. هدف این مقاله مقایسه دو روش شبکه‌های عمیق کانولوشنی و طبقه‌بندی‌کننده آبشاری برای تشخیص آنی محل فرود است. نتایج عملی‌کردن روش‌ ارائه‌شده روی یک پرنده parrot ar drone2.0 نشان می‌دهد که شبکه‌های کانولوشنی در مقابل دوران، مقیاس، انتقال و حتی پنهان‌شدگی پایداری بسیار زیادی دارند. دقت تشخیص در این روش 99/1 است که، در قیاس با روش طبقه‌بندی‌کننده آبشاری، 3% بیشتر است و درعین ‌حال‌ از لحاظ سرعت نیز، مناسب کاربردهای آنی است.

Comparison of Deep Learning and Cascade Classifiers Approaches for Object Detection in Autonomous UAV Landing

Autonomous landing is a key challenging in the domain of UAV navigation systems. Developing an autonomous landing system requires a precise estimation of the UAV pose relative to landing marker, particularly in vision systems this involves precise Helipad recognition. It seems that traditional approaches including cascade classifiers, image matching and segmentation techniques to have major challenges in different weather conditions and scales. On the other hand, convolutional neural networks (CNNs) have been introduced as a powerful tool in the visual recognition systems in the recent years but the high computational cost of this techniques, limited their performance in the low cost and light weight UAVs. The aim of this paper is to compare the convolutional neural networks and cascade classifier for helipad detection. The results show that CNNs are invariant under translation, rotation, scaling and occlusion. The detection accuracy of this method is 99.1 % which is 3 % more than cascade classifier while its running time is suitable for real time UAV applications.