رادار روزنه ای مصنوعی (SAR)، یادگیری عمیق، هوش مصنوعی، سنجش از راه دور
- سال انتشار: 1404
- محل انتشار: مجله پژوهش های نوین در مهندسی محیط زیست، دوره: 2، شماره: 8
- کد COI اختصاصی: JR_JNREE-2-8_006
- زبان مقاله: فارسی
- تعداد مشاهده: 77
نویسندگان
گروه مهندسی برق، واحد بیضا، دانشگاه آزاد اسلامی، بیضا، ایران
دانشگاه آزاد اسلامی، واحد شیراز، گروه مهندسی برق و کامپیوتر، شیراز، ایران
گروه مهندسی کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
چکیده
< p> 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.< /p> < p> < /p> < p> 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.< /p> < p> < /p> < p> 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.< /p> < p> < /p> < p> 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.< /p> < p> < /p>کلیدواژه ها
رادار روزنه ای مصنوعی(SAR)، یادگیری عمیق ، هوش مصنوعی، سنجش از راه دوراطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.