بهبود تشخیص و دسته بندی اشیاء در تصاویر هوایی از دید پهپاد با استفاده از الگوریتم های YOLOv۸ و YOLO-world

شناسایی و تشخیص اشیاء در تصاویر هوایی یکی از چالش های اصلی در پردازش تصویر و بینایی ماشین است. این مقاله با هدف بهینه سازی الگوریتم های یادگیری عمیق، به بررسی تکنیک های نوین برای بهبود دقت و سرعت شناسایی اشیاء در محیط های پیچیده و نویزی می پردازد. روش هایی نظیر تجزیه تصاویر با موجک گسسته، شبکه های عصبی پیچشی (CNN)، و رویکردهای ترکیبی ارزیابی شده اند. در این پژوهش، از داده های واقعی شامل تصاویر هوایی با وضوح بالا و نویز متنوع استفاده شده است. نتایج نشان دهنده بهبود قابل توجه دقت شناسایی و طبقه بندی اشیاء با بهره گیری از الگوریتم های پیشرفته YOLOv۸ و YOLO-world نسبت به نسخه های قبلی است. تکنیک های همجوشی تصاویر و استخراج ویژگی های چندمقیاسی نیز عملکرد را در شرایط چالش برانگیز بهبود بخشیده اند. این مطالعه رویکردی کارآمد برای پردازش تصاویر هوایی ارائه داده و با کاهش خطاهای شناسایی، بستری برای توسعه سیستم های نظارتی هوشمند در حوزه های نظامی، امنیتی و محیط های پیچیده فراهم کرده است. این یافته ها راه را برای پیشرفت های آینده در تحلیل داده های هوایی هموار می کنند.

کلیدواژه ها:

تشخیص اشیاء ، یادگیری عمیق ، پردازش تصویر ، YOLOv۸ ، بخش بندی تصاویر