استخراج اتوماتیک عوارض شهری از تصاویر با قدرت تفکیک بالای مکانی با استفاده از شبکه‌های عصبی پیچشی (منطقه مورد مطالعه: شهر اهواز)

استخراج و بازسازی اتوماتیک عوارض از داده‌های هوایی و ماهواره‌ای می‌تواند نقش انسان را در تولید اطلاعات مکانی بزرگ مقیاس شهری به حداقل رسانده و هزینه و زمان تولید آنها را به شدت کاهش دهد. شناسایی اشیاء هدف از تصاویر هوایی و ماهواره‌ای به خصوص در مناطق شهری با استفاده از تکنیک‌های پردازش تصاویر کامپیوتری و الگوریتم‌های هوش مصنوعی یکی از پرکاربردترین حوزه‌های تحقیقاتی به شمار می‌رود. از انواع این الگوریتم‌ها، شبکه‌های عصبی پیچشی (convolution neural networks) هستند که از توان بالایی برای استخراج ویژگی‌های سطح بالا در انواع تصاویر برخوردارند. در این پژوهش بیش از 850 نمونه آموزشی از عوارض ساختاری مهم شهری شامل ساختمان، راه و تک درخت تهیه شده است. در این تحقیق از میان انواع مختلف شبکه‌های موجود، با توجه به سرعت بالاتر انجام پردازش، از شبکه عصبی کانولوشون بر مبنای آشکاساز چندباکس تک شات با پایه شبکه resnet به منظور کشف و استخراج خودکار محدوده این عوارض استفاده شده است. مدل پیشنهادی توسط نمونه‌های آموزشی بر مبنای 85 درصد داده آموزشی و 15 درصد داده اعتبارسنجی، با 120 دوره تکرار و دقت 93 درصد آموزش داده شده است. مدل آموزش دیده بر روی تصاویر مختلف از منطقه مورد مطالعه برای کشف عوارض هدف اجرا شده است. نتایج ارزیابی مدل بر اساس معیار دقت برابر 0.86 و معیار بازیابی برابر 0.82 و معیار f1score برابر 0.83 می‌باشد. نتایج نشان‌دهنده آنست که الگوریتم پیشنهادی می‌تواند در زمینه‌هایی چون تولید و بروزرسانی نقشه‌های بزرگ مقیاس شهری و همچنین کشف تغییرات در مناطق شهری مورد استفاده قرار گیرد.

automatic extraction of urban objects from high-resolution aerial images using convolutional neural networks (study area: ahvaz city)

automatic extraction and reconstruction of these objects from aerial and satellite data can diminish the role of humans in the production of large-scale urban spatial information and reduce the cost and time, reduce their production drastically. identifying target objects from aerial and satellite images using computer image processing techniques and neural networks is one of the most widely used algorithms for identifying urban features. among these types of networks are convolution neural networks, which have a high power to extract high-level features in all kinds of images. in this research, more than 850 educational examples of important urban structural features including buildings, roads and single trees have been prepared. in this research, among the different types of existing networks, due to the higher speed of processing, convolution neural network based on one-shot multi-box detector with resnet network base has been used in order to automatically discover and extract the range of these complications. the proposed model is trained by training samples based on 85% training data and 15% validation data, with 120 iterations and 93% accuracy. the trained model has been implemented on different images of the study area to discover the target complications. the evaluation results of the model are based on the accuracy criterion equal to 0.86, the recovery criterion equal to 0.82, and the f1score criterion equal to 0.83. the results show that the proposed algorithm can be recruited in fields such as producing and updating large-scale urban maps and change detection in urban areas.