ارتقای قابلیت تشخیص هدف در تصاویر موج میلیمتری غیرفعال مبتنی بر الگوریتم Yolov3

چکیده: امواج میلیمتری ویژگی‌های منحصربه‌فردی مانند قابلیت نفوذ در الیاف لباس را دارند که منجر به تشخیص اشیای پنهان در لباس می‌شوند. به همین دلیل، سامانه تصویربرداری موج میلیمتری در بخش‌های امنیت عمومی مراکز مهم، به خصوص فرودگاه‌ها و مراکز نظامی می‌تواند مورد استفاده قرار گیرد. تحت شرایط امنیتی و به جهت افزایش هوشمندی برای رصد مجرمین، تشخیص اشیای پنهان ‌شده در زیر لباس با دقت و سرعت بالا منجر به افزایش اقتدار پلیس خواهد شد. با معرفی روش‌های تشخیص اشیای مبتنی بر شبکه‌های عصبی کانولوشنال عمیق، می‌توان از این روش‌ها برای برآورده کردن نیازهای دقت و سرعت بالا استفاده نمود. در این مقاله، به منظور تشخیص اهداف از الگوریتم yolov3 به دلیل دقت و سرعت بالای آن به عنوان الگوریتم تشخیص اشیای پایه استفاده می‌شود. جهت افزایش میانگین دقت متوسط الگوریتم yolov3 و نیز افزایش دقت تشخیص اشیای کوچک از اضافه نمودن ماژول spp به ساختار شبکه‌ی استخراج‌گر ویژگی الگوریتم yolov3 و نیز کادرهای انکر مناسب با اهداف درون مجموعه داده‌ی مورد نظر استفاده می‌گردد. هم‌چنین، جهت کاهش پیچیدگی محاسباتی و نیز کاهش زمان تشخیص از ساختار کوچک‌تر yolov3 استفاده می‌شود. در نهایت کارآیی روش پیشنهادی با الگوریتم yolov3 اولیه مقایسه می‌گردد. نتایج نشان می‌دهد که روش پیشنهادی علاوه بر افزایش 4.04% میانگین دقت متوسط، زمان تشخیص 14 میلی ثانیه را نیز صرف می‌کند.

Enhancement of Target Detection Capability in Passive Millimeter Wave Images based on YOLOv3 Algorithm

Millimeter waves have unique properties such as the ability to penetrate the fibers of clothing that lead to the detection of hidden objects under clothing. For this reason, the millimeter wave imaging system is used in the public security departments of important centers, especially airports. Under security conditions and in order to increase intelligence for monitoring criminals, detecting hidden objects under clothing with high accuracy and speed will increase police authority. By introducing methods for detecting objects based on deep convolutional neural networks, these methods can be used to meet the needs of high accuracy and speed. In this paper, the YOLOv3 algorithm is used as the base of object detection algorithm to detect targets due to its high accuracy and speed. In order to increasing the mean average precision of the YOLOv3 algorithm and also increasing the accuracy of small object detection, we add the spatial pyramid pooling module in the network structure of the YOLOv3 algorithm and also use the suitable anchor boxes with the purposes within the dataset. The smaller structure of YOLOv3 is also used to reduce computational complexity as well as detection time. Finally, the efficiency of the proposed method is compared with the original YOLOv3 algorithm. The results show that the proposed method, in addition to increasing the mean average precision by 4.04%, also consumes a detection time of 14 milliseconds.