سامانه ‏های غیرخطی در مهندسی برق

سامانه ‏های غیرخطی در مهندسی برق

تشخیص وسیله نقلیه از تصاویر با بهره‌گیری از الگوریتم تغییریافته YOLOv4 با دقت بالا در یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
2 عضو هیئت علمی دانشگاه تبریز/ دانشکده مهندسی برق و کامپیوتر
چکیده
تشخیص وسایل نقلیه از تصاویر یکی از کاربردهای مهم بینایی ماشین در حوزه‌هایی چون نظامی، نظارت شهری، حمل‌ونقل و ایمنی است. در این پژوهش یک نسخه بهبودیافته از الگوریتم YOLOv4 برای تشخیص وسایل نقلیه ارائه می‌شود. نوآوری اصلی در ترکیب دو بهینه‌ساز ADAM و SGDM برای افزایش سرعت و پایداری آموزش و طراحی یک الگوریتم پس‌پردازش سبک‌وزن باعنوان IASD برای حذف جعبه‌های تکراری و نویزی است. روش پیشنهادی بر روی یک مجموعه‌داده بزرگ ارزیابی شد و نتایج نشان داد که در مقایسه باYOLOv4  اصلی، هم از نظر دقت و هم از نظر سرعت تشخیص، بهبود قابل توجهی حاصل شده است. این دستاورد نشان می‌دهد که نسخه پیشنهادی می‌تواند گزینه‌ای مناسب برای سامانه‌های بلادرنگ و کم ‌منبع مانند پهپادها و سیستم‌های نظارتی باشد. از سوی دیگر، ارائه یک الگوریتم پس‌پردازش سبک و قابل پیاده‌سازی در سخت‌افزارهای محدود، این پژوهش را از کارهای مشابه متمایز می‌سازد. نتایج این مطالعه می‌تواند به‌عنوان مبنایی برای توسعه کاربردهای ایمن‌تر و کارآمدتر در حوزه حمل‌ونقل هوشمند و سامانه‌های خودکار مورد استفاده قرار گیرد.
کلیدواژه‌ها
موضوعات

  [1]     E. Ong et al. "Video Object Segmentation." Synthesis Lectures on Computer Vision (2024). https://doi.org/10.4018/978-1-59904-845-1.CH106.
  [2]     Myeongjae Jang et al. "Zero and Narrow-Width Value-Aware Compression for Quantized Convolutional Neural Networks." IEEE Transactions on Computers, 73 (2024): 249-262. https://doi.org/10.1109/TC.2023.3315051.
  [3]     Miaomiao Liu et al. "An Improved Adam Optimization Algorithm Combining Adaptive Coefficients and Composite Gradients Based on Randomized Block Coordinate Descent." Computational Intelligence and Neuroscience,(2023). https://doi.org/10.1155/2023/4765891.
  [4]     Gonzales, S. "Enhancing Image Classification Performance: A Comparative Analysis of Optimization Algorithms." International Journal of Advanced Research in Science, Communication and Technology, 2023.
  [5]     Zheng, Z., Zhang, T., Liu, Z., Liu, B., Li, Y., & Sun, C. "Arbitrarily Oriented Object Detection in Remote Sensing Images Based on Improved YOLOv4-CSP." IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 15, pp. 9355-9368, 2022.
  [6]     Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. "YOLOv4: Optimal Speed and Accuracy of Object Detection." Submitted, 23 April 2020.
  [7]     Yu, J., & Zhang, W. "Face Mask Wearing Detection Algorithm Based on Improved YOLO v4." Sensors, vol. 21, no. 9, pp. 3263, 2021. https://doi.org/10.3390/s21093263
  [8]     Jiang, Z., Zhao, L., Li, S., & Jia, Y. "Real-time Object Detection Method Based on Improved YOLOv4-Tiny." Submitted, 9 November 2020 (v1), last revised 2 December 2020 (v2).
  [9]     H. Sayyadi, M. Mohassel Feghhi, M. Atashbar, M. Nangir, and J. Sayyadi, "Efficient Four-Dimensional Routing Planning of Heterogeneous Drones Utilizing the Fuzzy Clustering Algorithm in Complex Entropy Environments," Tabriz Journal of Electrical Engineering,2024.[Online].Available:https://doi.org/10.22034/tjee.2024.60800.4816.
[10]     Zhenwei Yu, Yonggang Shen, Chenkai Shen, A real-time detection approach for bridge cracks based on YOLOv4-FPM, Automation in Construction, Volume 122, 2021.
[11]     C. Dewi, R. -C. Chen, Y. -T. Liu, X. Jiang and K. D. Hartomo, "Yolo V4 for Advanced Traffic Sign Recognition With Synthetic Training Data Generated by Various GAN," in IEEE Access, vol. 9, pp. 97228-97242, 2021, doi: 10.1109/ACCESS.2021.3094201.
[12]     Y. Caiet al., "YOLOv4-5D: An Effective and Efficient Object Detector for Autonomous Driving," in IEEE Transactions on Instrumentation and Measurement, vol. 70, pp. 1-13, 2021, Art no. 4503613, doi: 10.1109/TIM.2021.3065438.
[13]     Dewi, C., Chen, RC., Jiang, X. et al. Deep convolutional neural network for enhancing traffic sign recognition developed on Yolo V4. Multimed Tools Appl 81, 37821–37845 (2022). https://doi.org/10.1007/s11042-022-12962-5.
[14]     Roy, A.M., Bose, R. & Bhaduri, J. A fast accurate fine-grain object detection model based on YOLOv4 deep neural network. Neural Comput & Applic34, 3895–3921 (2022). https://doi.org/10.1007/s00521-021-06651-x.
[15]     Feng Guo, Yu Qian, Yuefeng Shi,Real-time railroad track components inspection based on the improved YOLOv4 framework,2021,(https://www.sciencedirect.com/science/article/pii/S0926580521000479).
[16]     Li Tan, Xinyue Lv, Xiaofeng Lian, Ge Wang,YOLOv4_Drone: UAV image target detection based on an improved YOLOv4 algorithm,Computers & Electrical Engineering,Volume 93,2021.
[17]     Gibson, I., Rosen, D., Stucker, B., Khorasani, M. (2021). Post-Processing. In: Additive Manufacturing Technologies. Springer, Cham. https://doi.org/10.1007/978-3-030-56127-7_16.
[18]     H. Sayyadi, M. M. Feghhi, M. Nangir and J. Sayyadi, "Improving UAV-Based Monitoring of Solar Power Plants Using Coverage Path Planning Model with Adaptive Learning Algorithm," 2025 10th International Conference on Technology and Energy Management (ICTEM), Tabriz, Iran, Islamic Republic of, 2025, pp. 1-7, doi: 10.1109/ICTEM66196.2025.11063624.
[19]     J. Sayyadi, M. Nangir, M. M. Feghhi and H. Sayyadi, "Optimal Management of Solar Energy Generation Using Derivatives of Irradiation Angle Data with the Gradient Boosting Algorithm," 2025 10th International Conference on Technology and Energy Management (ICTEM), Tabriz, Iran, Islamic Republic of, 2025, pp. 1-6, doi: 10.1109/ICTEM66196.2025.11063646.

  • تاریخ دریافت 27 تیر 1404
  • تاریخ بازنگری 04 مهر 1404
  • تاریخ پذیرش 13 مهر 1404
  • تاریخ اولین انتشار 13 مهر 1404
  • تاریخ انتشار 01 شهریور 1404