بهبود شبکه یادگیری عمیق yolov5 برای شناسایی خودرو و استخرهای روباز با استفاده از تصاویر پهپادی

تشخیص اجسام کوچک مانند خودرو و استخرها در تصاویر پهپادی با توان تفکیک مکانی بالا، به دلیل ویژگی‌های هندسی و رنگ مشابه آن‌ها، با چالش‌هایی روبرو است. افزایش تعداد خودروها نه تنها از منظر ترافیک شهری یک چالش مهم محسوب می‌گردد بلکه منجر به مشکلات زیست‌محیطی نظیر آلودگی و گرم‌شدن هوا نیز می‌گردد؛ از این‌رو، پایش این اهداف می‌تواند نقشی مهم در مدیریت این مشکلات داشته باشد. از طرفی، ساخت و نگهداری استخرهای آبی نیز به مقدار قابل توجهی آب نیاز دارد و پایش این اهداف در محیط‌های شهری برای صرفه‌جویی در مصرف آب ضروری است. در این راستا، تصاویر سنجش‌ازدور پهپادی و شبکه‌های یادگیری عمیق که توانایی بالایی در شناسایی اشیاء از این تصاویر را دارند، ابزاری مناسب برای پایش این اهداف محسوب می‌شوند. اگرچه تاکنون پژوهش‌های ارزشمندی در این زمینه برای مقابله با هریک از چالش‌های محیط زیستی مطرح‌شده صورت گرفته‌است، اما همچنان کاستی‌هایی در آن‌ها وجود دارد. در این مطالعه، یک شبکه یادگیری عمیق جدید yolov5+ برای شناسایی دو هدف خود رو و استخر آبی از تصاویر پهپادی توسعه داده شده‌است، بطوری که در آن عملکرد شبکه در استخراج ویژگی‌های کارآمد به دلیل بکارگیری مکانیسم inception در لایه‌های میانی تقویت شده‌است. همچنین، در این تحقیق، از داده‌های پهپادی مرجع dji mavic و dji mini se که از مناطق تیانجین در کشور چین و کان در کشور فرانسه اخذ شده‌اند، برای ارزیابی عملکرد شبکه پیشنهادی و مقایسه آن با شبکه‌های یادگیری عمیق yolov5 و yolov7 استفاده گردید. در نهایت، نتایج نشان داد شبکه پیشنهادی با دقت کلی 95%، بطور میانگین عملکرد شبکه‌های قیاسی را 2 درصد بهبود بخشیده‌است که نشان‌دهنده کارایی رویکرد پیشنهادی در این تحقیق است. 

improving the yolov5 deep neural network for detecting vehicles and outdoor pools from drone data

detecting small objects such as vehicles and swimming pools in high-spatial-resolution drone images is challenging due to their similar geometric and color features. the increase in the number of vehicles is not only a major challenge from the perspective of urban traffic but also leads to environmental problems such as pollution and warming. therefore, monitoring these targets can play an important role in managing these problems. on the other hand, the construction and maintenance of swimming pools also require a significant amount of water, and monitoring these targets in urban environments is essential for water conservation. in this regard, drone remote sensing images and deep learning networks, which have a high ability to detect objects from these images, are considered suitable tools for monitoring these targets. although valuable research has been done in this area to address each of the environmental challenges mentioned, there are still shortcomings in them. in this study, a new deep learning network yolov5+ has been developed to simultaneously detect two targets, vehicles and swimming pools, from drone images, in which the network’s performance in extracting efficient features has been enhanced due to the use of the inception mechanism in the intermediate layers. additionally, in this study, dji mavic and dji mini se drone data from tianjin regions in china and the city of cannes in france were used to evaluate the performance of the proposed network and compare it with the yolov5 and yolov7 deep learning networks. finally, the results showed that the proposed network achieved an overall accuracy of 95% on the test set, which is an improvement of 2% over the yolov5 and yolov7 networks, indicating the efficiency of the approach proposed in this study.