استخراج الطرق من صور الأقمار الصناعية باستخدام نموذج الشبكة العصبونية الالتفافية (+Deeplabv3): حالة دراسية في مدينة اللاذقية
نشر في جامعة تشرين
بتاريخ 2023
في مجال الذكاء الاصناعي
والبحث باللغة
العربية
تحميل البحث
الملخص بالعربية
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)
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