بهروز مرادی - کارشناس ارشد فتوگرامتری، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
عباسعلی مهربان - دکتری هوافضا، دانشکده هوافضا، دانشگاه فردوسی مشهد
مرتضی محمدی - دکتری هوافضا، دانشکده هوافضا، دانشگاه فردوسی مشهد

فرود اتوماتیک یکی از موضوعات و چالش های مهم در حوزه کنترل و اتوماسیون پهپادهای بدون سرنشین است. توسعه الگوریتم های فرود اتوماتیک نیازمند تعیین موقعیت پهپاد نسبت به محل فرود است که این کار، در حوزه های پردازش تصویر، به تشخیص دقیق و سریع محل فرود نیاز دارد. ازجمله روش های معمول، در این زمینه، طبقه بندی کننده آبشاری و تناظریابی و قطعه بندی تصویر است که به نظر می رسد، با تغییرات آب و هوایی و مقیاس متفاوت، این الگوریتم ها با چالش مواجه شوند. از طرف دیگر، در سال های اخیر شبکه های کانولوشنی عمیق به منزله مدل هایی قوی به منظور شناسایی و تشخیص اشیا در تصاویر به کار رفته اند؛ بااین حال با توجه به بار محاسباتی زیاد، این مدل ها هنوز در حوزه پرنده های بدون سرنشینی که از لحاظ سخت افزاری سبک اند و قدرت پردازش ضعیفی دارند، کاربرد جدی نیافته اند. هدف این مقاله مقایسه دو روش شبکه های عمیق کانولوشنی و طبقه بندی کننده آبشاری برای تشخیص آنی محل فرود است. نتایج عملی کردن روش ارائه شده روی یک پرنده Parrot AR Drone۲.۰ نشان می دهد که شبکه های کانولوشنی در مقابل دوران، مقیاس، انتقال و حتی پنهان شدگی پایداری بسیار زیادی دارند. دقت تشخیص در این روش ۱/۹۹ است که، در قیاس با روش طبقه بندی کننده آبشاری، ۳% بیشتر است و درعین حال از لحاظ سرعت نیز، مناسب کاربردهای آنی است.

یادگیری عمیق, فرود اتوماتیک, پرنده های بدون سرنشین