۲ نتیجه برای پردازش تصویر
سکینه صیدی، دکتر علی آذرپیوند،
دوره ۱۸، شماره ۴ - ( ۷-۱۴۰۰ )
چکیده
با توجه به استفاده روزافزون از وسیله‌های همراه، معیار توان مصرفی به دلیل نیاز به کارکرد طولانی این دستگاه‌ها در کنار دو معیار سنتی کارآیی و هزینه به یک فاکتور مهم در طراحی سیستم‌های دیجیتال تبدیل شده است. با توجه به اینکه بلوک‌های محاسباتی تقریبی با صرف‌نظر کردن از مقدار قابل قبولی از دقت، تأثیر مثبتی بر روی هر سه معیارِ هزینه، توان مصرفی و هزینه دارند؛ محاسبات تقریبی یا غیر دقیق به عنوان یک رویکرد جدید در طراحی سیستم‌های دیجیتال مطرح شده است. در این مقاله یک جمع‌کننده‌ی تقریبی طراحی شده و میزان خطای آن مورد ارزیابی قرار گرفته است. سپس با استفاده از این جمع‌کننده، یک ضرب‌کننده‌ی تقریبی نیز پیشنهاد شده است. در ادامه، از این ضرب‌کننده برای پیاده‌سازی دو کاربرد نرم‌سازی و تیزسازی که در پردازش تصاویر به کار گرفته می‌شوند، استفاده شده است. استفاده از این بلوک‌های محاسباتی منجر به ۶۳% صرفه‌جویی در توان مصرفی پویا، ۷۰% صرفه‌جویی در توان مصرفی ایستا، کاهش ۲۵% در مساحت طرح و همچنین ۳۳% بهبود در تأخیر آن شده است. همچنین میزان خطای وارد شده به سیستم به دلیل استفاده از محاسبات تقریبی به طور متوسط ۳۳% می‌باشد که تأثیر مخرب در کارکرد کاربردهای نرم‌سازی و تیزسازی ندارد و خروجی‌های این دو کاربرد با استفاده از بلوک‌های محاسبات تقریبی خللی در درستی پردازش تصویر وارد نمی‌کنند.
دکتر سکینه اسدی امیری، آقای محمدسام اندی،
دوره ۲۲، شماره ۱ - ( ۱۰-۱۴۰۳ )
چکیده
پسته، گیاهی گل‌دار از تیره پسته‌ایان است که بسته به شکل ظاهری آن به انواع مختلفی تقسیم می‌شود. این میوه قیمت و ارزش غذایی بالایی دارد و تشخیص دقیق نوع و بسته‌بندی بر اساس آن از چالش‌های صادرات پسته به‌شمار می‌رود. دستهبندی پسته اغلب توسط ماشین‌های الکترومکانیکی انجام می‌شود؛ اما این دستگاه‌ها دقت لازم را ندارند و موجب آسیب به مغز پسته می‌شوند. بنابراین نیاز به فناوریهای جدیدی برای دستهبندی و جداسازی انواع پسته محسوس است. در این پژوهش، با استفاده از نسخه اصلاح‌شده مدل یادگیری عمیق MobileNetV۳، گونه‌های پسته را شناسایی کردیم. همچنین با به‌کارگیری نسخه Small موبایل‌نت، می‌توانیم مدل یاد گرفته شده را بر روی تلفن‌های هوشمند اجرا کنیم، زیرا این مدل به دلیل بهینگی پردازشی، برای این امر مناسب است. برای این تحقیق، از مجموعه داده‌ای از ۲۱۴۸ تصویر پسته با گونه‌های کرمیزی و سیرت استفاده شد. برای افزایش تعداد و تنوع تصاویر، داده‌افزایی روی تصاویر انجام شد. با افزایش دادهها و ایجاد تنوع در مجموعه آموزش، می‌توان از بیش‌برازش جلوگیری کرد و مدل را قادر ساخت تا به نحو بهتری داده‌های جدید را پوشش دهد. سپس از نسخه اصلاح‌شده شبکه MobileNetV۳ برای شناسایی گونه‌های پسته استفاده کردیم. روش پیشنهادی ما توانست با دقت ۹۹,۳۰% این دو گونه پسته را شناسایی کند و برتر از روش‌های موجود است.
