ناصر فرج زاده

تصاویر هوایی ثبت شده توسط ماهواره ها و یا پهپاد ها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازه های ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشه های هواییِ برچسب دار ایجاد کنیم. دست یابی به چنین اطلاعاتی می تواند کاربرد های بسیار مفیدی در زمینه های نظامی، شهری و زیست محیطی داشته باشد. از آنجایی که پردازش حجم عظیمی از تصاویر به دست آمده از ماهواره ها و پهپاد ها بصورت دستی امکان پذیر نیست، لذا استفاده از روش های خودکارِ مبتنی بر هوش مصنوعی در این حوزه، بسیار مورد توجه قرار گرفته است. تاکنون پژوهش های متعددی در این باره انجام شده است که از اهم آنها می توان به شناسایی ساختمان ها، وسایل نقلیه، جاده ها و همچنین تشخیص ساختار پوشش گیاهی در تصاویر هوایی اشاره کرد. در این مقاله، قصد داریم با معرفی مجموعه ای از ویژگی های آماری مبتنی بر رنگ که به سادگی قابل استخراج از تصاویر هوایی هستند و با استفاده از یک مدل مبتنی بر یادگیری، راهکاری کارآمد برای تشخیص دقیق و سریع سازه های ساخت بشر و تفکیک آنها از منابع طبیعی ارایه دهیم. نتایج آزمایش های انجام گرفته بر روی بانک تصاویر ماساچوست که به صورت عمومی، قابل دسترس است، نشان دهنده دقت مناسب و سرعت عمل بالای راهکار پیشنهادی است. به طوری که، دقت و میانگین سرعت پردازش به دست آمده به ترتیب برابر با ٪۰۷/۹۰ و 96/0 ثانیه است.

توسعه سیستم های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش های مهمی مانند متفاوت بودن ظاهر ساختمان ها، تغییرات روشنایی، زاویه تصویربرداری و فشرده و چگال بودن جاده ها و ساختمان ها در نواحی شهری روبه روست. در چند سال اخیر، استفاده از شبکه های عصبی مصنوعی چندلایه (شبکه های عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزه های مشابه) قرار گرفته و نتایج خیره کننده ای با به کارگیری آنها حاصل شده است. باوجوداین، به دلیل استفاده از لایه های کاملاً متصل در راهکار های داده شده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساخته شده نیز به سرعت دچار پدیده بیش برازش می شود. علاوه براین، در بیشتر روش های پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تک کلاس استفاده شده است. به عبارتی، تشخیص جاده ها و ساختمان ها از عوارض طبیعی به طور هم زمان امکان پذیر نیست و لازم است مدل های جداگانه ای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساخته شده با استفاده از آن بتواند، هم زمان، جاده ها و ساختمان ها را از عوارض طبیعی تشخیص دهد و به این ترتیب، پیچیدگی عمل طبقه بندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایه های کاملاً متصل از معماری چندلایه ای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایش های انجام گرفته روی بانک تصاویر هوایی ماساچوست نشان می دهد عملکرد معماری پیشنهادی %۳۸ سریع تر از دیگر روش های مبتنی بر شبکه های عصبی چندلایه بوده است و دقت تشخیص را به طور میانگین، %۲ افزایش می دهد.