شناسایی خودکار خودرو از تصاویر ماهواره ای گوگل ارث بر منبای شبکه های عصبی یادگیری عمیق تک مرحله ای آشکارساز شیئ

شبکه حمل و نقل جاده‌ ای و شهری زندگی روزمره ما را برای مسیریابی بهینه تسهیل می ‌کنند. در شبکه معابر، مدیریت ترافیک یکی از چالش ‌های اصلی مدیران است. در این خصوص اولین گام برآورد تراکم خودروها در سطح شبکه معابر شهری می ‌باشد. برآورد تعداد خودروها یا سطح اشغال خودروها در سطح کل شهر، با درنظر گرفتن زمان و هزینه کمتر، فقط با تصاویر ماهواره‌ ای امکان پذیر است. در این راستا، در این پژوهش از تصاویر ماهواره‌ ای با قدرت تفکیک مکانی بالای در دسترس و قابل دانلود سامانه گوگل ارث استفاده شده‌است. برای شناسایی موقعیت خودروها از روش مبتنی بر یادگیری عمیق تک مرحله‌ ای با معماری retinanet و بر اساس شبکه‌ های عصبی باقیمانده با تعداد لایه 18، 34 و 50 استفاده شده است. برای داده ‌های آموزشی موقعیت خودروها با جعبه ‌های مرزی مشخص شده و سپس تصاویر ماهواره ای با ابعاد 128 در 128 پیکسل و گام 64 پیکسل بریده شده‌است. از کل داده ‌های آموزشی 80 درصد برای آموزش و 20 درصد برای اعتبارسنجی به صورت تصادفی استفاده شده‌است. مدل ‌ها در 50 دوره تکرار و با میانگین دقت بالای 0/7 آموزش داده شده‌ اند. برای ارزیابی مدل ‌های آموزش دیده از تصاویر ماهواره‌ ای حاوی بیش از 15000 خودرو استفاده گردید. پارامتر امکان همپوشانی روش سرکوب غیرحداکثری 25 درصد اعمال شده‌است. نتیجه نهایی نشان می ‌دهد که استفاده از مدل پیشنهادی در شناسایی خودروها دارای دقت مناسبی می‌ باشد. مدل آشکارساز retinanet با شبکه یادگیری عمیق باقیمانده دارای50 لایه از نظر معیار میانگین دقت با 0/87، معیار دقت با 0/7، معیار بازیابی با 0/99 و معیارf1 با 0/82 بهترین عملکرد را داشته‌است. چالش اصلی مدل های پیشنهادی در مناطق دارای تراکم بالای خودور می ‌باشد، که امکان تشخیص دقیق تعداد خودروها را بدلیل اندازه فاصله نمونه‌ برداری زمینی تصاویر ماهواره‌ ای کاهش می‌ دهد اما سطح اشغال را بهتر برآورد می ‌کند. 

automatic vehicle identification from google earth satellite images based on single shot deep learning neural networks for object detection

road and urban transport network facilitate our daily life for optimal routing. in the road network, traffic management is one of the main challenges of managers. in this regard, the first step is to estimate the density of cars at the level of the urban road network. estimating the number of cars or the level of occupancy of cars in the whole city, taking into account less time and cost, is only possible with satellite images. in this regard, in this research, satellite images with high spatial resolution available and downloadable from the google earth system have been used. to identify the position of the cars, the single shot deep learning method with retinanet architecture and based on residual neural networks with the number of layers 18, 34 and 50 have been used. for the training data, the position of the cars is marked with bounding boxes and then satellite images with dimensions of 128 x 128 pixels and 64 pixels pitch are cut. of the total training data, 80% have been used for training and 20% for validation. the models were trained in 50 epochs and with an average accuracy of 0.7. satellite images containing more than 15000 cars was used to evaluate the trained models. the parameter of the possibility of overlapping of the non-maximum suppression method was applied equal 25%. the final result shows that the use of the proposed model in the identification of cars has a good accuracy. the retinanet detector model based on the residual deep learning network with 50 layers has performed best in terms of average accuracy with 0.87, precision with 0.7, recall with 0.99 and f1-score with 0.82. the main challenge of the proposed models is in areas with high car density, which reduces the possibility of accurately detecting the number of cars due to the size of the ground sampling distance of satellite images, but it estimates the occupancy level better.