تصاویر پهپاد

در طول چند دهه ی اخیر محیط های شهری بسیار بیشتر از گذشته گسترش یافته اند. یکی از مهمترین مشکلاتی که  در اکثر کلان شهرها و حتی شهرهای کوچک وجود دارد مدیریت سیستم حمل و نقل است. یک سیستم نظارتی پیشرفته از وسایل نقلیه ی درون شهری امکان غلبه بر مشکلات ترافیکی و ازدحام خودرو ها را فراهم می نماید، و به تبع آن از مشکلات آلودگی هوا می کاهد. با توسعه ی پرنده ای بدون سرنشین ( UAV ) امکان پایش مستمر و دقیق محیط های شهری برای کاربران فراهم گردیده است. در این تحقیق هدف ارائه روشی سریع و با عملکردی مناسب از  نظر دقت در شناسایی اتوماتیک خودرو در تصاویر پهپاد با حدتفکیک بسیار بالا است. در گام شناسایی خودرو از قابلیت الگوریتم آشکارساز و توصیفگر عوارض موضعی SIFT استفاده شده است. یکی از اصلی ترین قابلیت های  این الگوریتم پایدار بودن در برابر تغییرات روشنایی و انواع تبدیلات هندسی نظیر انتقال، دوران و مقیاس است. روش ارائه شده شامل دو مرحله ی اصلی: آموزش الگوریتم و فرآیند شناسایی خودرو است. روش پیشنهادی بر روی ۸ تصویر پهپاد که دارای پس زمینه با بی نظمی های مختلف هستند پیاده سازی شد. این تصاویر شامل انواع مختلفی از خودروها هستند. به منظور ارزیابی کمی روش پیشنهادی از دو معیار استفاده شده است. همچنین عملکرد این روش با رویکرد پنجره ی جستجو مورد مقایسه قرار گرفته است. نتایج نشان می دهد زمان محاسبات الگوریتم پیشنهادی ۸۲ ثانیه است و میانگین دو معیار ارائه شده معادل ۶۵/۶۷ درصد است که نشان دهنده ی برتری روش از لحاظ سرعت و دقت محاسبات نسبت به روش پنجره ی جستجو است.

خطوط انتقال نیرو، بخش حیاتی شبکه های برق هستند و سلامت آن ها به منظور تامین برق پایدار جامعه ضروری است. مقره ها، به عنوان عایق بین هادی ها نقش اساسی در این شبکه ایفا می کنند و عیوب آن ها می تواند منجر به قطع، اتلاف برق و خطرات جانی شود. پایش و تشخیص به موقع این عیوب، نقشی کلیدی در حفظ پایداری و امنیت شبکه دارد. روش های پایش سنتی خطوط انتقال برق نیز زمان بر و پرهزینه بوده و احتمال وقوع حوادث در این روند بیشتر می شود. پهپاد و پردازش تصاویر هوایی حاصل از آن با استفاده از شبکه های عصبی یادگیری عمیق روشی نوین و کارآمد برای پایش خطوط انتقال برق ارائه می دهد. هدف این پژوهش، غلبه بر چالش های روش های سنتی تشخیص عیوب، مانند زمان بر بودن، پرهزینه بودن و احتمال وقوع حوادث است. همچنین در تحقیق حاضر، روشی نوین بر مبنای  تصویر برداری هوایی و استفاده از وظایف مختلف مدل یادگیری عمیق یولو 8 نانو ، برای پایش و تشخیص عیوب مقره ها در خطوط انتقال نیرو ارائه می شود. در روند این پژوهش مدل یادگیری عمیق طی دو مرحله با در نظر گرفتن دو کلاس سالم و معیوب و سه کلاس سالم، شکستگی و آرک زدگی آموزش داده شده که دقت 92.6% در وظیفه تشخیص و دقت 98.9% در وظیفه طبقه بندی با دو کلاس و دقت کل 93.9% به منظور تشخیص مقره در تصویر و دقت 99.2% به منظور طبقه بندی تصاویر در سه کلاس مقره سالم، مقره شکسته و آرک زدگی مقره برای مدل یولو 8 حاصل شده است. نتایج این مطالعه نشان می دهد که روش پیشنهادی مبتنی بر تصویربرداری هوایی با استفاده از مدل های عمیق یولو 8 ، روشی دقیق، کارآمد و مقرون به صرفه برای پایش و تشخیص عیوب مقره ها در خطوط انتقال برق است. این روش در مقایسه با روش های سنتی پایش مقره ها، از مزایای قابل توجهی از جمله دقت بالا، سرعت بالای پردازش، قابلیت اطمینان بیشتر و هزینه عملیاتی پایین تر برخوردار است.