چکیده مقاله
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
کلیدواژهها
نویسندگان
علیرضا سلطانی
فرشید غلامی انجیرکیخدایار سپهوندحمیدرضا علی بخشیمحمد جوکار
فرشید غلامی انجیرکی
علیرضا سلطانیخدایار سپهوندحمیدرضا علی بخشیمحمد جوکار
خدایار سپهوند
علیرضا سلطانیفرشید غلامی انجیرکیحمیدرضا علی بخشیمحمد جوکار
حمیدرضا علی بخشی
علیرضا سلطانیفرشید غلامی انجیرکیخدایار سپهوندمحمد جوکار
محمد جوکار
علیرضا سلطانیفرشید غلامی انجیرکیخدایار سپهوندحمیدرضا علی بخشی
شیوه ارجاع
�لطانی، علیرضا و غلامی انجیرکی، فرشید و سپهوند، خدایار و علی بخشی، حمیدرضا و جوکار، محمد،1404،مقایسه الگوریتم های مبتنی بر شبکه های عصبی عمیق جهت تشخیص انسان در تصاویر پهپاد به منظور عملیات امداد و نجات،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائهشده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران