ارزیابی خسارت در عملیات نظامی با استفاده از یادگیری عمیق و پردازش تصاویر

تشخیص اشیاء نقش مهمی در تحلیل تصاویر صحنه‌های نبرد به ویژه ارزیابی خسارت دارد. در این مقاله از فنون بینایی ماشین و در کنار آن یادگیری عمیق و پردازش تصاویر دیجیتال برای دستیابی به روشی قدرتمند با حداکثر سرعت و دقت جهت تشخیص اشیاء مورد نظر در صحنه نبرد و همچنین تخمین خسارات وارد شده استفاده شده است. برای انجام عمل تشخیص اشیاء، ویژگی‌ها و پارامترهای تصاویر توسط شبکه‌های عصبی کانولوشن استخراج شده و در امر یادگیری شبکه عصبی به کار گرفته شده است. برای ارزیابی خسارت از معیارهای شباهت ساختاری، خطای میانگین مربعات و روش آستانه‌گذاری برای سنجش میزان شباهت‌ و تغییرات تصاویر دریافتی قبل و بعد از خسارات وارد شده، استفاده شده است. در نهایت، نمونه‌هایی از تصاویرِ مکان‌های خسارت دیده برای اعتبارسنجی روش پیشنهادی مورد بررسی و آزمایش قرار گرفته است.

damage assessment in military operations using deep learning and image processing

Object detection plays an important role in the analysis of images of battle scenes, especially damage assessment. In this article, machine vision techniques along with deep learning and digital image processing are used to achieve a powerful method with maximum speed and accuracy to detect objects on the battlefield and also estimate the damage. To object detection, the features and parameters of images are extracted by convolutional neural networks and used in neural network learning. The structural similarity criteria, mean square error, and threshold method were used to assess the damage and to measure the similarity and changes in the images which received before and after military operations. Finally, for validating the method, samples of the battle scenes images have been investigated, and object detection and damage assessment has been executed on them.