33273

شناسايي وسايل نقليه در شرايط شديد با هدف بهبود دقت در مدل هاي يادگيري عميق

كارشناسي ارشد

مهندسي برق

1400

1403/07/21

دكتر احمد آيت الهي

دكتر عبدالله اميرخاني

مهندسي برق

تشخيص وسايل نقليه در تصاوير تحت شرايط جوي نامساعد، به ويژه در باران شديد، يكي از چالش‌هاي مهم در حوزه بينايي كامپيوتر و سيستم‌هاي هوشمند حمل و نقل است. اين پايان‌نامه به منظور بهبود دقت شناسايي وسايل نقليه در شرايط باراني به بررسي روش‌ها و بهينه‌سازي‌هاي مختلف پرداخته است. در ابتدا به معرفي و تحليل ساختارهاي يادگيري عميق، به خصوص مدل YOLOv9، به عنوان يكي از جديدترين معماري‌هاي شناسايي اجسام در زمان واقعي پرداخته شده است. سپس، تغييرات كليدي در اين مدل به منظور بهبود عملكرد آن اعمال گرديد.يكي از مهم‌ترين تغييرات اعمال‌شده در ساختار YOLOv9، اضافه كردن بلوك توجه سه‌لايه در بخش هسته اصلي مدل بود. اين بلوك توجه، به مدل كمك مي‌كند تا بتواند اطلاعات مهم و ويژگي‌هاي بحراني در تصاوير را با دقت بيشتري استخراج كند. نتيجه اين بهينه‌سازي، افزايش دقت شناسايي مدل از 62٪ به 69٪ بود كه نشان‌دهنده تأثير مثبت اين تغييرات در بهبود عملكرد مدل است.در گام بعدي، يك ديتاست اختصاصي براي هدف اين پروژه تهيه شد كه شامل 3500 تصوير از وسايل نقليه در شرايط باراني و غير باراني كه تصاوير طبيعي و مصنوعي هستند ايجاد شد.اين ديتاست با هدف مدل‌سازي بهترو آموزش درست‌تر شبكه در باران طراحي شده.در نهايت، به منظور افزايش كيفيت تصاوير ورودي و بهبود دقت شناسايي، از مدل تقويتي مولد تخاسمي استفاده شد. اين مدل، با بهبود وضوح و كيفيت تصاوير، باعث شد دقت نهايي مدل YOLOv9-پيشنهادي افزايش يابد. علاوه بر اين، از بهينه‌ساز گرگ خاكستري (GWO) نيز براي بهينه‌سازي هايپرپارامترهاي مدل استفاده كردم. اين الگوريتم با شبيه‌سازي رفتار اجتماعي گرگ‌هاي خاكستري، فضاي جستجو را براي يافتن بهينه‌ترين مقادير براي پارامترها محدود كرد. استفاده از GWO باعث عملكرد مدل شد و در نهايت با اعمال دقت كلي شناسايي وسايل نقليه به 83% رسيد.نتايج به دست آمده از اين پژوهش نشان‌دهنده اين است كه استفاده از تكنيك‌هاي بهينه‌سازي مانند اضافه كردن بلوك‌هاي توجه، استفاده از ديتاست متنوع و بهبود كيفيت تصاوير ورودي، تأثير بسيار مثبتي در بهبود دقت شناسايي تا 24%برسد. اين رويكردها مي‌توانند به بهبود عملكرد سيستم‌هاي هوشمند حمل و نقل و ديگر كاربردهاي مرتبط با تشخيص اجسام كمك شاياني كنند.

1403/12/14

Vehicle Detection in Heavy Rain Conditions with the Aim of Improving Accuracy in Deep Learning Models

1/1/1900 12:00:00 AM

Detecting vehicles in images under adverse weather conditions, particularly during heavy rain, is one of the significant challenges in the fields of computer vision and intelligent transportation systems. This thesis aims to improve the accuracy of vehicle detection in rainy conditions by examining various methods and optimizations. Initially, the analysis introduces deep learning structures, especially the YOLOv9 model, as one of the latest architectures for real-time object detection. Key changes were then implemented in this model to enhance its performance. One of the most significant modifications made to the YOLOv9 structure was the addition of a three-layer attention block in the core section of the model. This attention block helps the model extract critical information and features from images with greater precision. As a result of this optimization, the model's detection accuracy increased from 62% to 69%, demonstrating the positive impact of these changes on model performance. Next, a dedicated dataset was created for this project, consisting of 3,500 images of vehicles in both rainy and non-rainy conditions, including both natural and synthetic images. This dataset was designed to improve modeling and ensure more accurate training of the network in rainy conditions. Finally, to enhance the quality of input images and improve detection accuracy, a Generative Adversarial Network (GAN) model was employed. This model increased the resolution and quality of images, leading to an improvement in the final accuracy of the proposed YOLOv9 model. Additionally, the Gray Wolf Optimizer (GWO) was utilized to optimize the model's hyperparameters. This algorithm, by simulating the social behavior of gray wolves, effectively narrowed the search space to find the optimal values for the parameters. The use of GWO improved the model's performance, ultimately achieving an overall vehicle detection accuracy of 83%. The results obtained from this research indicate that employing optimization techniques, such as adding attention blocks, utilizing a diverse dataset, and improving the quality of input images, can significantly enhance detection accuracy by up to 24%. These approaches can greatly contribute to improving the performance of intelligent transportation systems and other applications related to object detection.

شناسايي اشيا , شناسايي وسايل نقليه , يادگيري عميق , بينايي كامپيوتر

Object Detection , Deep Learning , Vehicle Detection , Computer Vision

zahra babayi

dr.ayatolahi