دوره 19، شماره 3 - ( مجله مهندسی برق و الکترونیک ایران - جلد 19 شماره 3 1401 )
جلد 19 شماره 3 صفحات 144-131 |
برگشت به فهرست نسخه ها
دانشکده مهندسی، دانشگاه شهید چمران اهواز
چکیده: (800 مشاهده)
بخشبندی معنایی عمیق تصاویر به عنوان راه حلی یکپارچه در آنالیز تصاویر مبتنی بر طبقه بندی تک تک پیکسل های تصویر بوده و بخصوص در کاربردهایی مانند شناسایی نشت نفت در آبهای آزاد که در آن مرز اشیا و نواحی به طور مشخص قابل تفکیک نیستند، مورد توجه قرار می گیرد. به منظور کنترل هرچه بیشتر آلودگی و مخاطرات زیست محیطی ناشی از نشت نفت، ارائه روشهایی با دقت بیشتر از اهمیت ویژه ای برخوردار است. تصاویر رادار روزنه مصنوعی دراین زمینه بسیار پرکاربرد بوده و با چالش هایی از جمله نویز اسپکل و نیز تشخیص نواحی لکه نفتی و شبه لکه نفتی مواجه هستند. بکارگیری روشهای نوین یادگیری عمیق می تواند در کاهش دخالت سلیقه انسانی در تصمیم گیری کمک کند. در این مقاله از روش مخلوط کردن کانالهای ویژگی در شبکه های کانولوشنی عمیق، بلوکهای آتروس و بخشهای رمزگشایی استفاده شده است که علاوه بر کاهش پیچیدگی های محاسباتی، نتایج بخش بندی لکه های نفتی به مراتب بهتر از سایر روشها می دهد. معماری شبکه ارائه شده مبتنی بر معماری vgg16 می باشد. دقت کلی، صحت، همپوشانی بر واحد، IoU وزندار و امتیاز BF به عنوان پارامترهای ارزیابی در نظر گرفته شده اند. در روش ارائه شده، دقت بخش بندی لکه های نفتی و شبه لکه های نفتی به ترتیب به میزان 8/7% و 3/7% نسبت به روشهای پیشین بهبود یافته است.
واژه‌های کلیدی: مخلوط کردن کانال، شافل نت، یادگیری عمیق، بخش بندی معنایی، شناسایی لکه های نفتی، تصاویر رادار روزنه مصنوعی
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |