```
پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > مهندسی برق > مقطع دکتری > سال 1405
پدیدآورندگان:
سید علی اکبر حسینی [پدیدآور اصلی]، حسین خسروی[استاد راهنما]
چکیده: چکیده آشکارسازی و بازشناسی بی‌درنگ خودروها در سامانه‌های حمل‌ونقل هوشمند، به‌ویژه در بزرگراه‌های چندخطه، با چالش‌های جدی همراه است. این چالش‌ها شامل پردازش تصاویر با وضوح 4K، وجود تعداد زیاد اشیاء در یک قاب، تنوع بالای انواع خودروها، اندازه‌های بسیار کوچک تا بسیار بزرگ، انسداد دید در محیط‌های پرترافیک، و حساسیت به شرایط نوری و زاویه‌های مختلف دوربین می‌باشد. سامانه‌های موجود که عمدتاً بر پایه نسخه‌های استاندارد شبکه یولو توسعه یافته‌اند، اغلب توانایی کافی برای استخراج ویژگی‌های جزئی وسایل نقلیه و رهگیری پایدار آن‌ها بر روی تصاویر 4K با رزولوشن بالا در بزرگراه‌های چندخطه را ندارند. به منظور رفع این چالش‌ها، در این رساله معماری جدیدی با عنوان شبکه یولوی سریع (FYNet) مبتنی بر نسخه پنجم شبکه YOLO طراحی و معرفی شده است. این معماری با اعمال مجموعه‌ای از بهینه‌سازی‌ها شامل کاهش هوشمندانه عرض فیلترها، افزایش تعداد لایه‌ها، جایگزینی بلوک PAN با بلوک نوآورانه PANSum، و استفاده از بلوک Head-5D در بخش سر مدل، توانسته است تعادل مناسبی میان سرعت و دقت برقرار کند. شبکه FYNet با بهره‌گیری از پنج شاخه خروجی در مقیاس‌های مختلف، قابلیت شناسایی اشیاء با اندازه‌های متفاوت از پلاک خودرو تا اتوبوس‌ را فراهم ساخته و همزمان بار محاسباتی را از 2/1 GFLOPs به 6/0 GFLOPs کاهش داده است. در این پژوهش نمای جلو و عقب خودروها به‌عنوان کلاس‌های مجزا در نظر گرفته شده که موجب بهبود میانگین دقت مدل (mAP) به میزان 8/1 درصد گردیده است. مدل پیشنهادی بر روی مجموعه‌داده اختصاصی IRVA شامل بیش از 300 هزار برچسب در 11 کلاس مختلف و تصاویر ثبت‌شده در شرایط متنوع نوری، روز و شب، و زوایای گوناگون ارزیابی شده است. نتایج نشان می‌دهد که FYNet موفق به دستیابی به mAP برابر با 94 درصد در تصاویر 4K با زمان استنتاج 33/16 میلی‌ثانیه (معادل 60 قاب در ثانیه) شده و نسبت به نسخه استاندارد YOLOv5 هم در سرعت استنتاج و هم در دقت تشخیص برتری دارد. نوآوری‌های این رساله در معرفی معماری جدید FYNet برای آشکارسازی و طبقه‌بندی اشیاء، طراحی بلوک نوآورانه PANSum برای بهبود نمایش ویژگی‌ها و کاهش بار محاسباتی، استفاده از پنج شاخه خروجی جهت افزایش دقت در شناسایی اشیاء با اندازه‌های متنوع، ترکیب FYNet با الگوریتم StrongSORT برای رهگیری بلادرنگ و پایدار وسایل نقلیه، و ارائه مجموعه‌داده اختصاصی IRVA با ویژگی‌های جدید و متنوع برای ارزیابی مدل نهفته است. ترکیب این قابلیت‌ها در قالب یک سیستم جامع پایش و کنترل، امکان پوشش یک بزرگراه شش‌بانده تنها با یک دوربین 4K و یک پردازنده را فراهم ساخته و راهکاری ساده، مقرون‌به‌صرفه و قابل اعتماد برای کاربردهای بلادرنگ در صنعت حمل‌ونقل هوشمند ارائه می‌دهد.
کلید واژه ها (نمایه ها):
#واژگان کلیدی: شبکه یولو ؛ شبکه FYNet؛ موقعیتیابی بلادرنگ؛ مرتبسازی عمیق؛ سیستم حملونقل هوشمند
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:
پایان نامه های مرتبط (بر اساس کلیدواژه ها)