توسعه‌ یک الگوریتم تشخیص اشیاء متحرک مبتنی بر یادگیری عمیق در استفاده زمان واقعی روی ربات پرنده چهارملخه

ربات های پرنده چهارملخه ابزارهایی قدرتمند و فناورانه برای عملیات های پروازی هستند و مطالعات زیادی در راستای کنترل و هوشمندسازی آنها انجام گرفته است. اما بیشتر این مطالعات بر کنترل حرکت آنها متمرکز بوده و کمتر به شناسایی اشیای متحرک توسط آنها در یک محیط پویا مانند خیابان توجه شده است. در این مقاله به توسعه ی روشی ترکیبی برپایه ی الگوریتم ویولاجونز و شبکه های عصبی عمیق می پردازیم تا بتوان از یک ربات پرنده چهارملخه به نوعی هوشمند برای شناسایی اشیای متحرک در محیط واقعی استفاده کرد. در این روش آموزش شبکه عصبی عمیق با استفاده از آبشارهای طبقه بند ویولاجونز، به صورت افزودن اشیاء مانند دنباله‌های ویدئویی، و با پس‌زمینه ی واقعی انجام می شود. با پیاده سازی تجربی الگوریتم بهینه سازی شده ی آبشاری ویولاجونز روی ربات چهارملخه نشان می دهیم که این الگوریتم در تشخیص فریم های حاوی شیء متحرک که از دوربین نصب شده روی ربات دریافت می شد، از نرخ عملکرد بالا، هشدار کاذب (منفی خطا، مثبت خطا) کم و نرخ خطای پایین برخوردار است. عملکرد الگوریتم در این آزمون %89 تشخیص صحیح مثبت و %13 درصد خطا در تشخیص بود. همچنین دقت الگوریتم زمانی که از فیلتر بلوری گاوسی استفاده می شود افزایش می یابد.

development of an algorithm for detecting moving objects based on deep learning in real-time use on a quadcopter flying robot

quadcopter flying robots are powerful and technological devices for flight operations, and many studies have been carried out tocontrol and make them intelligent. but most of these studies have focused on their motion control and less attention has been paid to their application for moving object detection in a dynamic environment such as the street. in this article, we develop a hybrid method based on viola-jones algorithm and deep neural networks so that can be intelligently used by quadcopter to identify moving objectsin the real environment. in this method, deep neural network training is done using viola-jones classifier cascades, by adding objectsas video sequences, with a real-world background. by experimentally implementing this viola-jones cascade optimized algorithmon a quadcopter robot, we show that in detecting frames containing moving objects received from the camera installed on the robot,it has high performance rate, low false alarm (negative-error, positive-error) and low error rate. algorithm performance in this testwas 89% positive correct diagnosis and 13% error in diagnosis. also, the accuracy increases when the gaussian blur filter is used.