ترغب بنشر مسار تعليمي؟ اضغط هنا

استخراج الطرق من صور الأقمار الصناعية باستخدام نموذج الشبكة العصبونية الالتفافية (+Deeplabv3): حالة دراسية في مدينة اللاذقية

Roads Extraction from Satellite Images using Convolution Neural Network Model (Deeplabv3+) A Case Study in Lattakia city

865   3   0   0.0 ( 0 )
 تاريخ النشر 2023
  مجال البحث الذكاء الاصناعي
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تم تطبيق هذه الدراسة التجريبية على منصة غوغل كولاب السحابية، من خلال تنفيذ التعليمات البرمجية والمكتبات المتطورة في لغة البايثون، قمنا بإجراء المعالجة المسبقة لبيانات بحثنا لإعداد صور الحقيقة الأرضية، ثم تدريب النموذج، تطلبت عملية التدريب والتحقق (4) فترات، بحجم دفعة للبيانات (4) صور، تناقصت دالة الخسارة إلى حدودها الدنيا بقيمة (0.025)، واستغرق زمن التدريب ثلاث ساعات وعشرة دقائق، وذلك بالاستعانة بـوحدة معالجة الرسومات المتطورة (GPU) وذاكرة وصول عشوائي إضافية. حققنا نتائج جيدة في تقييم الدقة في صحة تنبؤات النموذج المدرب بقيمة (التقاطع إلى الاتحاد=0.953)، فتم اختباره على منطقتين مختلفين إحداهما سكنية وأخرى زراعية في مدينة اللاذقية، أظهرت النتائج أن النموذج (+DeepLabv3) المدرب في بحثنا يمكنه استخراج شبكة الطرق بدقة وفعالية، لكن أداؤه ضعيف في بعض المناطق التي تحوي أشجار بسبب تأثير الظلال على حواف الطرق، وحيث تكون الخصائص الطيفية مشابهة للطرق كأسطح بعض المباني، وهو غير صالح لاستخراج الطرق الفرعية وغير المعبدة. قدم البحث عدة توصيات بتحسين أداء النموذج (+Deeplabv3) في استخراج الطرق من صور الأقمار الصناعية عالية الدقة، بما يفيد في تحديث خرائط الطرق وأعمال التخطيط الحضري.

المراجع المستخدمة
The purpose of this paper is to extract roads from satellite images, based on developing the performance of the deep convolutional neural network model (Deeplabv3+) forroads segmentation, and to evaluate and test the performance of this model after training on our data.This experimental study was applied atGoogle Colab cloud platform, by software instructions and advanced libraries in the Python.We conducted data pre -processing to prepare ground truth masks,thenwe trained the model.Thetraining and validation process required (Epochs=4), by(Patch Size=4images).The Loss function decreased to its minimum value (0.025). Training time was three hours and ten minutes, aided by the advanced Graphics Processing Unit (GPU) and additional RAM.We achieved good results in evaluating the accuracy of the predictions of the trained model (IoU = 0.953). It was tested on two different areas, one of which is residential and the other agricultural in Lattakia city. The results showed that the trained model (DeepLabv3+) in our research can extract the road network accurately and effectively.But its performance is poor in some areas which includes tree shadows on the edges of the road, and where the spectral characteristics are similar to the road, such as the roofs of some buildings, and it is invalid for extracting side and unpaved roads. The research presented several recommendations to improve the performance of the (Deeplabv3+) in extracting roads from high-resolution satellite images, which is useful for updating road maps and urban planning works.
Christopher, S.;Christopher, H. DeepLearningNeuralNetworks forLandUse LandCoverMapping. IGARSS -IEEE International Geoscience and Remote Sensing Symposium, 2018, pp. 2995–2990
A Beginner’s Guide to Segmentation in Satellite Images: Walking through Machine Learning Techniques for Image Segmentation and Applying Them to Satellite Imagery. https://www.gsitechnology.com/Beginners-Guide-to-Segmentation-in-Satellite-Images(Accessed95-92-2022)
Chen, L.; Qianli, Z.; Papandreou, G.; Schroff, F.; Adam,H.Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation, Computer Vision –ECCV, 2018, pp 833–851
Darwishe, D.; Mohammad, A.; Chaaban, F. Developing a Model of Deep Learning by ANNs for Urban Areas Extraction from Remote Sensing Images -Study Area: HomsTartous, Al-Baath University Journal, V. 43, NO. 7, 2021, PP.11-42
قيم البحث

اقرأ أيضاً

يظهر هذا البحث تصميم متحكم عائم للتحكم بزاوية انحراف شفرات العنفة الريحية بهدف تحسين أداء العنفة الريحية و الحصول على أعظم استطاعة ممكنة و تقليل الضياعات الناتجة عن التسارع و التباطؤ في دوران العنفة الريحية و من ثم تحسين معامل كفاءة أداء العنفة الريح ية؛ و ذلك من خلال الإفادة من تقنيات الذكاء الاصطناعي و بصورة خاصة المنطق العائم، إذ إن المتحكم العائم يساعدنا على تجاوز نقاط الضعف في المتحكمات التقليدية التي تحتاج إلى نموذج رياضي معقد للمنظومة المتحكم بها. صمم متحكم عائم تناسبي تكاملي و قورِن بمحتكمٍ تقليدي تناسبي تكاملي لنظام عنفة ريحية ممثلة بتابع التحويل الواصف لهذه العنفة، ووضعت القواعد اللغوية للمتحكم و توابع الانتماء لإشارتي الخطأ و تراكم الخطأ باستخدام بيئة ماتلاب، و قورنت النتائج التي أظهرت استجابة فضلى عند استخدام المتحكم العائم.
جزء من بحث مقدم لنيل درجة الماجستير في علوم الويب لعام 2017 ، يتضمن التعريف بالذكاء التسويقي في دراسة نظرية موسعة ، وطريقة بناء نظام معتمد على الانترنت كمصدر للبيانات و منهجية المعالجة ونتائج تطبيقية .
تقرير صادر عن اليونسكو عن دور الذكاء الاصطناعي في الادماج والتعليم يناقش الحاجة إلى مسارات تحويلية لتذليل العقبات المتعددة لاستثمار الذكاء الاصطناعي في قطاع التعليم
المسؤولية الجنائية للذكاء الاصطناعي تتمثل أهمية هذه الدراسة في أهمية موضوعها الجديد والحيوي، وهو المسؤولية الجنائية الناتجة عن أخطاء الذكاء الاصطناعي في التشريع الإماراتي "دراسة مقارنة"، فعلى امتداد الخمسين سنة الماضية تضافرت الجهود العالمية في عدد من الميادين، كالفلسفة والقانون وعلم النفس وعلم المنطق والرياضيات، وعلم الأحياء وغيرها من العلوم، ومنذ سنوات بدأت هذه الجهود تحصد من ثمارها وظهرت إلى الوجود تطبيقات مذهلة للذكاء الاصطناعي، وهذا ما دفع دولة الإمارات العربية المتحدة لاستحداث وزارة للذكاء الاصطناعي وعلوم المستقبل، فهذه الخطوة تُضاف إلى سجل الإمارات الحافل بكل ما هو جديد في الثقافة والعلوم وغيرها من المجالات، فالإمارات سبّاقة في البحث وجلب أي أفكار جديدة أو عالمية وتطبيقها، والهدف من ذلك هو الارتقاء بالعمل الإداري. لأن اعتماد الإدارة على الذكاء الاصطناعي يساعدها على التكيف مع التغيرات المتلاحقة، ويساعدها أيضاً على مواجهة التحديات المتعددة والمختلفة، وبالتالي تحقيق الميزة التنافسية التي تسعى الإدارة إلى تحقيقها.
في السنوات الأخيرة نمت مشكلة تصنيف الكائنات في الصّور نتيجة لمتطلبات القطاع الصناعي.على الرّغم من تعدد التقنيات المستخدمة للمساعدة في عملية التصنيف SIFT Scale Invariant Feature Transforms، ORB Oriented Fast And Rotated Brief , SURF Speed Up Robust Features، إضافة لشبكات التعلم العميق Deep Learning Neural Network DNN والشبكات العصبونية الالتفافية Convolutional Neural Network CNN، فإن الأنظمة المقترحة لمعالجة هذه المشكلة تفتقر للحل الشّامل للصعوبات المتمثلة بوقت التّدريب الطّويل والذاكرة العائمة أثناء عملية التدريب، وانخفاض معدّل التصنيف. تعتبر الشبكات العصبونية الالتفافيةConvolutional Neural Networks (CNNs) من أكثر الخوارزميات استخداما لهذه المهمة، فقد كانت نموذجا حسابيا لتحليل البيانات الموجودة في الصور. تم اقتراح نموذج شبكة التفافية عميقة جديد لحل المشاكل المذكورة أعلاه. يهدف البحث إلى إظهار أداء نظام التّعرف باستخدام شبكاتCNNs على الذّاكرة المتاحة وزمن التدريب وذلك من خلال منهجة متغيرات مناسبة للشبكة العصبونية الالتفافية. قاعدة البيانات المستخدمة في هذا البحث هي CIFAR10 المكونة من60000 صورة ملونة تنتسب لعشرة أصناف، حيث أن كل 6000 صورة تكون لصنف من هذه الأصناف. يوجد 50000 صورة للتدريب و 10000 صورة للاختبار. حقق النموذج لدى اختباره على عينة من الصور المنتقاة من قاعدة البيانات CIFAR10 معدل تصنيف 98.87%.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا