شناسایی و دسته بندی سلاح در دو وضعیت روشن و تاریک با استفاده از YOLO

در این پژوهش رویکردی مبتنی بر یادگیری عمیق برای شناسایی و دسته بندی سلاح در دو وضعیت روشن و تاریک ارائه شده است. هدف از این تحقیق افزایش دقت مدل در شرایط نوری نامناسب و کاهش تشخیص اشیاء نظارت دوربین خطاهای ناشی از کمبود روشنایی در تصاویر نظارتی است. برای این منظور نسخه ای بهبودیافته از مدل مداربسته تقویت تصویر تاریک YOLOv۸ توسعه داده شد که از الگوریتم افزایش روشنایی تصویر در مرحله پیش پردازش و تابع زیان یادگیری عمیق، تشخیص سلاح بهینه شده شامل CloU و DFL برای بهبود مکان یابی و مرزبندی اشیاء استفاده می کند. داده های مورد استفاده شامل مجموعه ای از تصاویر حاوی انواع سلاح در محیط های با نور طبیعی و کم نور بود. نتایج آزمایش ها نشان داد که مدل پیشنهادی نسبت به مدل های پایه مانند YOLOv۷ و YOLOv۵ عملکرد بهتری در معیارهای دقت (Precision)، بازخوانی (Recall) و میانگین دقت (mAP) دارد. مدل در تشخیص سلاح در محیط های تاریک Recall برابر با ۹۷ درصد و mAP برابر با ۹۴.۶ درصد را کسب کرد که بیانگر پایداری عملکرد آن در شرایط دشوار نوری است. این پژوهش می تواند در توسعه سامانه های امنیت هوشمند برای شناسایی تهدیدات احتمالی و افزایش ایمنی محیط های عمومی نظارت و کاربرد داشته باشد.

کلیدواژه ها:

شناسایی سلاح ، یادگیری عمیق ، روش YOLO ، تصاویر کم نور ، تقویت تصویر