مکان‌یابی خودکار کاروانسراها در تصاویر ماهواره‌ای با بهره‌گیری از تکنیک‌های پردازش تصویر مبتنی بر یادگیری عمیق

در دهه اخیر، استفاده از یادگیری عمیق در پردازش تصاویر، لیکن استفاده از این تکنولوژی در زمینه های مرتبط با میراث فرهنگی، به دلیل مشکلاتی همانند نبود پایگاه داده های مناسب، هزینه بر بودن ایجاد پایگاه داده ی جدید ، پیچیدگی کار با شبکه های عصبی عمیق، نیاز به منابع سخت افزاری گران قیمت و ...، بسیار محدود مانده است. در این مقاله با استفاده از تکنیک های پردازش تصویر مبتنی بر یادگیری عمیق، روشی برای مکان یابی خودکار کاروانسراها در تصاویر ماهواره ای معرفی شده است. بدین منظور یک پایگاه داده از تصاویر ماهواره ای 203 کاروانسرای ایران ایجاد و سپس با استفاده از تکنیک یادگیری انتقالی، الگوریتم یافتن شی yolov5 برای مکان یابی کاروانسراها بر روی پایگاه داده فوق، آموزش داده شده است. برای بررسی کارائی این شبکه، 25 تصویر جدید با ابعاد 5/2 ×5/2 کیلومتر مربع از محیط اطراف برخی از کاروانسراها انتخاب و با استفاده از تکنیک پنجره لغزان و وزن های آموزش داده شده در گام پیشین، عملیات تشخیص کاروانسراها بر روی این تصاویر انجام گرفت. به منظور کاهش میزان تشخیص های اشتباه، مکان هایی که به اشتباه تشخیص داده شده بودند، به عنوان داده جدید به پایگاه داده افزوده شد و الگوریتم yolov5 مجدداً آموزش داده شد. دقت نهایی الگوریتم پیشنهادی در یافتن محل کاروانسرا برابر map_0.5 91/43% بوده است.

automatic location of carvanserais in satellite images using image processing techniques based on deep learning

despite the increasing use of deep learning in image processing, but the use of this technology in the fields related to cultural heritage, due to problems such as the lack of required databases, the cost of creating a new database, the complexity of working with deep neural networks, and etc., remains very limited. in this article, a method for the automatic location of caravanserais in satellite images has been introduced. for this purpose, a database of satellite images of 203 iranian caravanserais was created and then, using the transfer learning technique, yolov5 (yolov5) object detecting algorithm was trained to locate caravanserais on the above database. to evaluate the efficiency of this network, 25 new images with dimensions of 2.5*2.5 square kilometers were selected from the surroundings of some caravanserais, and using the sliding window technique and the generated weights in the previous step, the operation of recognizing caravanserais was carried out on these images. in order to reduce the rate of misdiagnosis, the misdiagnosed locations were added to the database as new data and the yolov5 algorithm was retrained. the final accuracy of the proposed algorithm in finding the location of the caravanserai was 91.43% map_0.5.