کاربرد شبکه های عصبی کانولوشن آشکارساز چندجعبه تک شات (ssd) در تشخیص و استخراج خودکار میله چاه های قنات از تصاویر ماهواره ای گوگل ارث

شناسایی قنات ها و تهیه نقشه آن ها یکی از وظایف حیاتی در علم مدیریت منابع آب های زیرزمینی است. با این حال، تهیه نقشه قنوات دشوار است، زیرا روش‌های مرسوم مانند نقشه برداری میدانی پر هزینه و زمانبر هستند و در برخی مواقع بدلیل ساختار دریچه چاه های قنات برداشت زمینی با چالش های متعددی مواجه است. شناسایی عوارض از داده‌های تصویری با استفاده از تکنیک‌های پردازش تصاویر کامپیوتری و شبکه های عصبی یکی از امیدوارکننده‌ترین تکنیک‌ها برای شناسایی چاه های قنات است. با توجه به اینکه تصاویر ماهواره ای سامانه گوگل ارث، تنها تصاویر ماهواره ای با قدرت تفکیک بالای مکانی، بدون هزینه و در دسترس هستند، در این تحقیق از تصاویر ماهواره ای گوگل ارث استفاده شده است. در این پژوهش بیش از 600 نمونه آموزشی از دهانه میله چاه های قنات تهیه شده است و از شبکه عصبی کانولوشون بر مبنای آشکارساز چندجعبه تک شات با پایه شبکه resnet، برای کشف و استخراج خودکار مکان هندسی میله چاه های قنوات با توجه به سرعت بالاتر انجام پردازش، استفاده شده است. مدل پیشنهادی توسط نمونه های آموزشی بر مبنای 85 درصد داده آموزشی و 15 درصد داده اعتبارسنجی، با 50 دوره تکرار و دقت 89 درصد آموزش داده شده است. مدل آموزش دیده بر روی تصویر منطقه مورد مطالعه برای کشف میله چاه های قنات اجرا شده است. نتایج نشان می دهد که این مدل می تواند با معیار دقت برابر 0.91 و معیار بازیابی برابر 0.82 و معیار f1score برابر 0.86 در کشف موقعیت مکانی دهانه میله چاه های قنات که دارای شکل مناسب هستند، عمل نماید.  برای مناطقی که شکل دهانه میله چاه ها تخریب شده است، دقت تشخیص و استخراج موقعیت میله چاه ها برابر 0/65 است. نتایج این پژوهش نشان می دهد که امکان تشخیص و استخراج اتوماتیک میله چاه های قنات با دقت مناسب از تصاویر ماهواره ای دانلود شده از سامانه گوگل ارث امکان پذیر است. 

application of convolutional neural networks single-shot multibox detector (ssd) in automatic detection and extraction of qanat from google earth satellite images

identifying qanat and mapping them is one of the vital tasks in the science of groundwater resources management. however, it is difficult to map qanats because conventional methods such as field mapping are very costly and time consuming, and in some cases, due to the structure of qanat, land extraction faces many challenges. identifying objects from image data using computer image processing techniques and neural networks is one of the most promising techniques for identifying qanats. due to the fact that satellite images of google earth system are the only satellite images with high spatial resolution, free of charge and available, in this research, google earth satellite images have been used. in this research, more than 600 educational samples have been prepared from the openings of qanats. in this research, the convolutional neural network single-shot multi-box detector based on resnet network has been used to automatically detect and extract the geometric location of qanats due to higher processing speed. the proposed model is taught by training samples based on 85% of the training data and 15% of the validation data, with 50 repetition courses and an accuracy of more than 90%. the trained model is implemented on the image of the study area to discover the shafts of qanats. the results show that this model can work with the accuracy criterion equal to 0.91, the recovery criterion equal to 0.82, and the f1score criterion equal to 0.86 in discovering the location of the rod of the aqueduct wells with a suitable shape. for the areas where the shape of the rod of the wells destroyed, the accuracy of detecting and extracting the position of the wells equal to 0.65. this research shows that it is possible to automatically identify and extract aqueduct well rods with appropriate accuracy from satellite images downloaded from the google earth system.