تشخیص باند فرود پهپاد در شرایط چالش برانگیز با استفاده از دوربین RGB و شبکه های عصبی عمیق مجهز به مکانیزم توجه

با گسترش کاربرد پهپادها در ماموریت های خودکار تشخیص دقیق و قابل اعتماد محل مناسب فرود در شرایط محیطی و نوری چالش برانگیز به یکی از مسائل مهم در بینایی ماشین تبدیل شده است. در این پژوهش یک چارچوب هوشمند مبتنی بر تصاویر RGB و یادگیری عمیق برای شناسایی ناحیه ایمن فرود پهپاد ارائه می شود. چارچوب پیشنهادی شامل یک ماژول پیش پردازش تطبیقی مبتنی بر بهبود کنتراست (CLAHE) و تنظیم روشنایی (Gamma Correction) و یک مکانیزم توجه ترکیبی کانالی-فضایی با عنوان HCSE است که در معماری ResNet۵۰ ادغام شده است. این مکانیزم با تمرکز همزمان بر ویژگی های مکانی و کانالی تاثیر نویزهای نوری و جوی را کاهش می دهد. به منظور مقابله با نامتوازن بودن داده ها از وزن دهی تطبیقی در تابع زیان و نمونه برداری تصادفی وزنی استفاده شده است. ارزیابی مدل بر روی مجموعه داده های SPREAD و AirSim و در شرایط نوری مختلف نشان می دهد که روش پیشنهادی نسبت به ResNet۵۰، پایه ۶% بهبود در دقت کلی، ۷.۶ افزایش در بازخوانی و افزایش مقدار AUC تا ۰.۹۶۴ را به همراه دارد. همچنین اختلاف عملکرد مدل در سناریوهای نوری مختلف از ۱۰.۴٪ به ۵.۵٪ کاهش یافته است که بیانگر پایداری بالاتر روش پیشنهادی در شرایط جوی چالش برانگیز است.

کلیدواژه ها:

تشخیص محل فرود پهپاد ، یادگیری عمیق ، مکانیزم توجه ترکیبی ، ResNet۵۰ ، بینایی ماشین