تشخیص اسلحه کمری توسط دوربین‌های نظارتی در حالات دشوار از جمله انسداد، زاویه‌های مختلف و فاصله زیاد به کمک یادگیری عمیق

بدون شک مسئله افزایش امنیت در مکان های عمومی همواره موردتوجه محققان و مسئولین مربوطه بوده است. برای افزایش امنیت در مکان هایی مانند مترو، فرودگاه و مکان های زیارتی اقدامات قابل توجه ای ازجمله سامانه های بازرسی، نصب دوربین های نظارتی و قرار دادن مامور در محل صورت گرفته است. اما تمام موارد گفته‌شده توسط نیروی انسانی صورت می گیرد که عواملی مانند خستگی، حواس پرتی و بسیاری از عوامل دیگر روی کیفیت نظارت تاثیر می گذارند. یکی از اقدامات نقض امنیت، حمل سلاح و کشیدن اسلحه است، راهکار ارائه‌شده در این مقاله استفاده از الگوریتم‌های یادگیری عمیق در قالب تشخیص اسلحه در دوربین های نظارتی است سیستم پیشنهادی علاوه بر نظارت بر اماکن عمومی می تواند به امنیت هرچه بیشتر بانک ها، طلافروشی ها، فروشگاه های زنجیره ای و موارد مشابه کمک کند ازآنجایی‌که سارقان مسلح مانع اطلاع دادن کارکنان به پلیس می شوند، سیستم تشخیص سلاح به‌صورت خودکار در صورت تشخیص سلاح، به‌سرعت با مامورین امنیتی تماس می گیرد و اطلاع‌رسانی را انجام می دهد. در این تحقیق برای تشخیص سلاح کمری از دو نسخه ی بزرگ و کوچک شبکه عصبی عمیق yolo_v5 استفاده‌شده است و با توجه به اینکه این شبکه‌ها قبلاً بر روی مجموعه داده coco آموزش‌دیده‌اند تعداد لایه های متفاوتی از آن‌ها در طی آزمایش ها، آموزش داده شد و عملکرد این شبکه ها با یکدیگر مقایسه شد. درنهایت سیستم پیشنهادی تشخیص خودکار اسلحه کمری پس از آموزش به‌وسیله مجموعه داده pishtaw عملیات تشخیص سلاح کمری را با دقت 99.01% انجام می دهد.

Detection of lumbar guns in surveillance cameras in difficult situations, including occlusion, different angles and long distances Using deep learning

Undoubtedly, the issue of increasing security in public places has always been the focus of researchers and relevant officials. Significant measures have been taken to increase security in places such as the metro, the airport and places of pilgrimage, including inspection systems, the installation of surveillance cameras and the deployment of an officer. But all of the above is done by human resources, which factors such as fatigue, distraction and many other factors affect the quality of monitoring. One of the security measures is carrying a weapon and pulling a gun. The solution presented in this article is to use deep learning algorithms in the form of weapons detection in surveillance cameras. In addition to monitoring public places, the proposed system can provide as much security as possible. Banks, goldsmiths, chain stores, and the like help As armed robbers prevent employees from informing the police, the automatic weapons detection system quickly contacts security officers if it detects a weapon. And provides information. In this study, two large and small versions of the YOLO_v5 deep neural network were used to detect the lumbar weapon. And the performance of these networks was compared with each other. Finally, the proposed system of automatic detection of pistols after training with the Pishtaw data set performs the detection operation of the pistol with 99.01% accuracy.