مقایسه الگوریتم های مبتنی بر شبکه های عصبی عمیق جهت تشخیص انسان در تصاویر پهپاد به منظور عملیات امداد و نجات

استفاده از پهپادها در عملیات امداد و نجات به دلیل توانایی آن ها در دسترسی سریع به مناطق صعب العبور، نقش مهمی در افزایش کارایی این عملیات ایفا می کند. یکی از چالش های اساسی در این زمینه، شناسایی دقیق انسان ها در عکس های هوایی است؛ زیرا اندازه کوچک اهداف، زوایای دید متغیر و شرایط نوری متفاوت باعث کاهش دقت مدل های کلاسیک تشخیص شیء می شوند. در این پژوهش، عملکرد دو الگوریتم مطرح شبکه های عصبی عمیق، Faster R-CNN و YOLOv۵، برای شناسایی انسان ها از تصاویر پهپادی مقایسه و تحلیل شده است. داده های مورد استفاده از محیط های مختلف شامل مناطق شهری، جنگلی و کوهستانی گردآوری شده اند تا پایداری مدل ها در شرایط گوناگون ارزیابی شود. معیارهای میانگین دقت موزون (mAP)، نرخ بازخوانی (Recall)، دقت (Precision) و سرعت پردازش (FPS) جهت سنجش عملکرد به کار رفته اند. نتایج نشان می دهد که YOLOv۵ با وجود سرعت پردازش بالاتر، در شناسایی افراد کوچک تر و فواصل دور دقت کمتری نسبت به Faster R-CNN دارد، در حالی که مدل دوم با وجود هزینه زمانی بیشتر، عملکرد دقیق تر و پایدارتری ارائه می دهد. در مجموع، انتخاب الگوریتم مناسب بستگی به نیاز عملیاتی دارد؛ در ماموریت های زمان محور مدل YOLOv۵، و در ماموریت های حساس به خطا مدل Faster R-CNN توصیه می شود.

کلیدواژه ها:

یادگیری عمیق ، تشخیص انسان ، پهپاد ، عملیات امداد و نجات ، YOLOv۵ ، Faster R-CNN