شناسایی سریع مکان و نوع وسیله نقلیه در تصاویر با استفاده از روش یادگیری عمیق

امروزه وسایل نقلیه در مقیاس بالا، در قسمت‌های مختلف شهر پراکنده هستند و از این جهت احتیاج به کنترل توسط سامانه‌های برنامه‌ریزی شده دارند. پیدا کردن  خودکار وسایل نقلیه در تصویر و دسته‌بندی نوع آن ها پیچیده است، زیرا وسایل نقلیه شکل‌ها، رنگ ها و مدل‌های بسیار متفاوتی دارند و طراحی‌شان با یکدیگر متفاوت است. از این رو روش های مختلف آنالیز تصاویر برای حل این مسئله مطرح گردیده است. اما بعضی از چالش ها مانند تعدد تصویر در یک صحنه، بهم پیوستگی تصویر وسیله نقلیه و زمینه تصویر، وجود نویز در تصاویر، تلرانس نسبت به تغییرات نور وجود دارد. در سال های اخیر استفاده از شبکه‌های عصبی عمیق به‌عنوان ابزاری کارآمد در شناسایی با وجود تنوع شرایط محیطی و اجسام مطرح شده اند. اما چالش استفاده از شبکه‌های عصبی عمیق بار محاسباتی بالای آن هاست. در این مقاله رویکرد جدیدی برای شناسایی نوع وسایل نقلیه استفاده می شود، این رویکرد از ترکیب شبکه عصبی vgg و الگوریتم تفکیک و دنبال کردن تصاویر yolo  استفاده کرده است. این روش باعث بهبود چالش های روش های پیشین می گردد و در ضمن باعث کاهش بار محاسباتی می گردد. تصاویر از دو پایگاه داده imagenet و coco  گرفته شده و از این پایگاه ها به‌منظور آموزش و آزمون شبکه عصبی استفاده می گردد.  نتایج نشان می دهد که سامانه طراحی شده بسیاری از مشکلات را به خوبی برطرف می نماید. دقت تشخیص در مقایسه با سامانه های قبلی 2 الی 3 درصد افزایش یافته است. از مزایا این رویکرد می توان به کیفیت بالا در آشکارسازی تصاویر و سرعت قابل قبول در تشخیص نوع وسیله نقلیه اشاره کرد.

fast detection of vehicle type and position in images based on deep neural network

today, large-scale vehicles are scattered in different parts of the city and therefore need to be controlled by programmed systems. automatically finding vehicles in the images and categorizing them is complicated because vehicles come in so many different shapes, colors, and models, and their designs are so different. therefore, different methods of image analysis have been proposed to solve this problem. but there are some challenges such as the multiplicity of images in a scene, the coherence of the image of the vehicle and the image background, the presence of noise in the images and the tolerance to changes in light. in recent years, the use of deep neural networks has been proposed as an effective tool in identification despite the diversity of environmental conditions and objects. but the challenge of using deep neural networks is their high computational load. in this paper, a new approach is used to identify the type of vehicles, which uses a combination of vgg neural network and the yolo image separation and tracking algorithm. this method improves the challenges of the previous methods and also reduces the computational load. the images are taken from two databases, imagenet and coco, and these databases are used to train and test the neural network. the results show that the designed system solves many problems well, including the speed of vehicle detection and the problem of computational load. the detection accuracy has increased by 2 to 3% compared to previous systems and has reached about 98%. the advantages of this approach include high-quality image detection and the use of a yolo algorithm with an acceptable speed in detecting the type of vehicle.