بهبود کیفیت تشخیص و شناسایی تصاویر رادار SAR با بکارگیری شبکه عصبی درافزایش ضریب امنیت فنون دفاعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: در علوم نظامی استفاده از فناوری های مخابراتی بدلیل دریافت اطلاعات دشمن از راه دور حائر اهمیت بوده و سیستم رادار روزنه مصنوعی به عنوان رادار تصویر برداری است که توانایی شناسایی و جداسازی بالایی دارد. با توجه به ماهیت تشکیل تصاویر رادار روزنه مصنوعی، وجود نویز لکه به عنوان مهمترین عامل تخریب کیفیت این تصاویر و خطای تصمیم گیری می باشد.روش: براین اساس وجود یک مرحله پیش پردازش گر به منظور آشکارسازی و شناسایی داده ها و کاهش نویز لکه بسیار حائز اهمیت می باشد. هدف اصلی ارائه الگوریتمی توانمند بر پایه هوش مصنوعی در جهت بهبود تشخیص اهداف زمینی رادار SAR با الگوریتم های تشخیص اشیاء بوده که از طریق هواپیما یا ماهواره به منظور رصد نمودن اهداف زمینی ، اخذ شده استتجزیه و تحلیل: مدل پیشنهادی در مرحله پیش پردازش پس از کاهش اثر نویز لکه بر روی تصاویر رادار SAR به کمک فیلتر Lee، ﺑﻪ ﺑﺮرﺳﯽ بهبود تشخیص اهداف زمینی رادارSAR پرداخته می شودتحلیل نتایج: با استفاده از الگوریتم های YOLO و RCNN که الگوریتم RCNN در تشخیص تصاویر نویززدایی شده MSTAR با میانگین دقت 99.84% نسبت به YOLO با میانگین دقت 90.424% از عملکرد بهتری برخوردار می باشد، اما در تشخیص تصاویر نویزی MSTAR روش YOLO با میانگین دقت 80.875% نسبت به روش RCNN با میانگین دقت 61.49% از عملکرد بهتری برخوردار جهت شناسایی و بهبود تصاویر و افزایش ضریب اطمینان سیستم می باشد.متن
Improving the quality of SAR radar image detection and identification using neural network to increase the security factor of military tactics
Purpose: In military science, the use of telecommunication technologies is very important because of receiving enemy information from a distance, and the artificial aperture radar system is an imaging radar that has a high detection and separation ability. According to the nature of formation of artificial aperture radar images, the presence of speckle noise is the most important factor in destroying the quality of these images and making a decision error.Method: Therefore, it is very important to have a pre-processing stage in order to reveal and identify the data and reduce the spot noise. The main goal is to provide a powerful algorithm based on artificial intelligence to improve the detection of SAR radar ground targets with object detection algorithms that are obtained through airplanes or satellites in order to monitor ground targets.Analysis: In the pre-processing stage, after reducing the effect of speckle noise on SAR radar images, the proposed model is investigated to improve the detection of SAR radar ground targets with the help of Lee filter.Analysis of the results: by using YOLO and RCNN algorithms, the RCNN algorithm has a better performance in detecting denoised MSTAR images with an average accuracy of ۹۹.۸۴% compared to YOLO with an average accuracy of ۹۰.۴۲۴%, but in detecting noisy MSTAR images, the YOLO method With an average accuracy of ۸۰.۸۷۵%, compared to the RCNN method with an average accuracy of ۶۱.۴۹%, it has a better performance for identifying and improving images and increasing the reliability of the system.
تبلیغات
