شناسایی هدف در تصاویر سنجش از راه دور ابرطیفی با استفاده از تکنیکهای یادگیری ماشین - دانشکده فنی و مهندسی
شناسایی هدف در تصاویر سنجش از راه دور ابرطیفی با استفاده از تکنیکهای یادگیری ماشین
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: شناسایی هدف در تصاویر سنجش از راه دور ابرطیفی با استفاده از تکنیکهای یادگیری ماشین
ارائه دهنده: Provider: آرش غیاث یزدی
اساتید راهنما: Supervisors: دکتر حسن ختنلو - دکتر یوسف رضایی
اساتید مشاور: Advisory Professors:
اساتید ممتحن یا داور: Examining professors or referees: دکتر محرم منصوری زاده - دکتر مرتضی حیدری مظفر
زمان و تاریخ ارائه: Time and date of presentation: چهارشنبه 30 بهمن ماه 1398 ساعت 12
مکان ارائه: Place of presentation: آمفی تئاتر دانشکده مهندسی
چکیده: Abstract: تصاویر ماهوارهای به تصاویر سنجش از راه دور معروف هستند. شناسایی هدف یکی از مهمترین موضوعات در زمینههای مختلفی از جمله نظامی و کشاورزی و زمین شناسی است. تشخیص هدفی مانند یک هواپیما و یا پیدا کردن مین در مناطق جنگی، پیدا کردن منابع آبهای زیر زمینی همگی از جمله کاریردهای شناسایی هدف میباشد. چون که هر مادهای که جهت شناسایی در تصاویر ابرطیفی، یک طیف منحصر بفرد دارد. تشخیص به موقع و درست یک هدف بخاطر بسیار حائز اهمیت میباشد و از آنجایی که ممکن است انسان در تشخص بعضی از اهداف دچار خطا بشود، به همین دلیل دنبال سیستم هوشمندی هستیم که بتواند بطور موثر اشیا را تشخیص بدهد. از مدلسازیهای اخیر در حوزه هوش مصنوعی در پردازش تصاویر ابرطیفی، میتوان به مدلهای مبنی بر شبکههای عمیق عصبی و شبکههای عصبی کانولوشنی اشاره کرد. در این پژوهش روشی بر مبنای شبکه عصبی کانولوشنی عمیق برای مسئله تشخیص، دستهبندی و شناسایی هدف در تصاویر ابرطیفی سنجش از راه دور ارائه شده است، که بطور کلی از دو قسمت پیش پردازش و شناسایی تشکیل شده است. قسمت پیشپردازش شامل یک شبکه جهت پیش آموزش دادهها است و قسمت شناسایی شامل بخش اول که با استفاده از مدل جفت پیکسلی اختلاف هر پیکسل را با همسایه هایش بدست میآید و بخش دوم که شامل دو دستهبند برمبنای لایه کاملا متصل در شبکههای عصبی کانولوشنی عمیق و ماشین بردار پشتیبان است که هرکدام از دستهبندها عملکرد مطلوبی داشته و شناسایی و دستهبندی تصاویر را با دقت بالایی انجام میدهند. مدل جفت پیکسلی بدین صورت است که اگر پیکسل مرکزی با پیکسل همسایه عضو یک کلاس باشند، در کلاس مشابه و اگر عضو یک کلاس نباشند، عضو کلاس متفاوت قرار میگیرند. شبکهای که جهت پیش آموزش دادهها انتخاب شده، شبکه بولترمن محدود است. وجود این شبکه بعنوان پیش آموزش باعث تفاوت در استخراج و یادگیری ویژگی میشود. دسته بندی تصاویر ابرطیفی در این پژوهش، با توجه به کلاسهای موجود در تصویر جهت شناسایی هدف به دو کلاس "هدف و غیر هدف" صورت پذیرفته است. البته با توجه به کاربرد شبکه بولتزمن محدود در رابطه با کاهش بعد، یک مقایسه بین عمکلرد این شبکه با روش تحلیل مولفه اساسی صورا پذیرفته است. در نهایت روش پیشنهادی بر روی مجموعه دادههای Salinas و Indian Pines اعمال و آزموده شده است. نتیجه یادگیری و آزمایش روش پیشنهادی بر روی این دو مجموعهداده و همچنین مقایسه کاهش بعد، با استفاده از معیارهای کمی و کیفی، نتایجی قابل قبول بوده و مدل عملکرد مطلوبی از خود به جای گذاشته است.
فایل: ّFile: دانلود فایل