چکیده مقاله
توسعه وسایل نقلیه خودران پایه مهمی برای توسعه سیستم های حمل و نقل هوشمند با زیرساخت شبکه های مخابراتی پیشرفته مانند شبکه های ۶G است در این مقاله مسئله اصلی و راهکار تشخیص علائم راهنمایی، چراغ های راهنمایی، وسایل نقلیه پیش رو و از طریق الگوریتم های یادگیری عمیق بررسیشده است برای حل مسائلی مانند دقت پایین تشخیص روش های پردازش تصویر سنتی و عملکرد ضعیفدر زمان واقعی، روش های مبتنی بر روش های یادگیری عمیق برای مدیریت هوشمند ترافیک پیشنهاد شده است از آنجا که الگوریتم YOLO دارای سرعت بالاتری نسبت به دیگر شبکه های عصبی است لذا برای شناسایی بسیاری از موانع مناسب تر است به جهت اینکه امروزه ورژن های بالاتری از YOLO منتشر شده است در این مقاله برای پیاده سازی،YOLOV۵ و YOLOV۷ با دو مجموعه داده ی KITTI و IRANIAN CAR آموزش داده شده و نتایج شبیه سازی نشان می دهد که دقت الگوریتم پیشنهادی برای تشخیص موانع در YOLOV۵ که با دیتاست KITTI آموزش داده شده ۰ ۹۹۵ می باشد بنابراین الگوریتم پیشنهادی می تواند برای بینایی وسایل نقلیه خودران با سرعت پردازش بالای شبکه پیشرفته به کار گرفته شود
کلیدواژهها
نویسندگان
پیمان بابائی
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
هانیه خورشیدی
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
شیوه ارجاع
�ابائی، پیمان و خورشیدی، هانیه،1402،یادگیری عمیق و تشخیص بلادرنگ موانع در وسایل نقلیه خودران،نخستین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات نخستین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات21 اسفند 1402 · مشهد