رادار روزنه ای مصنوعی (SAR)، یادگیری عمیق، هوش مصنوعی، سنجش از راه دور

مقدمه: فناوری تشخیص، شناسایی و آشکارسازی اشیا و محیط زیست یکی از پارامترهای بسیار مهم در علوم مهندسی و زیست محیطی به شمار می آید. هم چنین در زمینه یادگیری عمیق وحوزه های هوش مصنوعی دارای کاربرد بسیار گسترده ای است و نقش به سزایی در تشخیص، شناسایی و بازسازی تصاویر را بر عهده دارد. این فن آوری مقدمه ای برای بسیاری از پروژه ها و الگوریتم های این حوزه می باشد که در آن اشیاء در تصاویر ماهواره ای و رادار شناسایی و از اطلاعات و داده های مازاد تفکیک شده و در مراحل بعد کلاس بندی و در نهایت مورد سنجش قرار می گیرند.

مواد و روش ها: روش شناسایی اهداف زمینی توسط رادار SAR با استفاده از یادگیری عمیق و شبکه های عصبی مصنوعی می باشد. در مرحله پیش پردازش، به منظورکاهش اثرات مخرب نویز و حفظ داده های اصلی، از فیلتر Lee به دلیل کارایی بهتر در بهبود کیفیت تصویر و حفظ بهتر لبه ها مورد استفاده قرار گرفته است و جداسازی داده های مازاد از تصاویر اصلی با استفاده از الگوریتم جداسازی کور سیگنال بهره گرفته است.

نتایج و بحث: در این پژوهش شرایط زیست محیطی گستره جغرافیایی از طریق سنجش از راه دور مورد بررسی قرار گرفته است و روش پیشنهادی به منظور طبقه بندی داده ها از شبکه ترکیبی یادگیری عمیق که نتایج آن با روش های مطرح شده در زمینه طبقه بندی اهداف مورد مقایسه قرارگرفته و در نهایت مشخص می گردد شبکه پیشنهادی از نظر دقت طبقه بندی با ۳۱/۸۶ درصد نسبت به دیگر شبکه های بررسی شده با دقت و ضریب اطمینان بالاتری قابل بررسی و پیاده سازی است. در نهایت با استفاده از الگوریتم های YOLO و RCNN به بررسی نتایج حاصل از تشخیص و شناسایی اهداف زمینی پرداخته شده که الگوریتم RCNN با دقت بالاتری در تشخیص و شناسایی تصاویر نویززدایی شده است.

نتیجه گیری: در نهایت عملکرد و ضریب اطمینان بهتر مدل پیشنهادی نسبت به الگوریتم YOLO و بهینه سازی تصاویر با دقت بیشتر و خطای بسیار کمی قابل پیاده سازی است. عملکرد بسیار مطلوب و با ضریب اطمینان بالایی در کاهش اثرات مخرب و کارایی بهتر سیستم را ایجاد و تامین خواهد کرد.

کلیدواژه ها:

رادار روزنه ای مصنوعی(SAR) ، یادگیری عمیق ، هوش مصنوعی ، سنجش از راه دور