استخراج مرز زمین های کشاورزی از تصویر با یادگیری عمیق و معماری شبکه عصبی پیچشی

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: استخراج مرز زمین های کشاورزی از تصویر با یادگیری عمیق و معماری شبکه عصبی پیچشی

ارائه دهنده: Provider: سجاد یاوری - مهندسی عمران

اساتید راهنما: Supervisors: دکتر مرتضی حیدری مظفر

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر حسن ختن لو - دکتر حسین ترابزاده خراسانی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 14 - 1403/6/24

مکان ارائه: Place of presentation: کلاس 44

چکیده: Abstract: هدف از استخراج اطلاعات مرزی زمین‌های کشاورزی بررسی آماری محصولات کشاورزی، ایجاد نقشه‌های کاداستر و پایگاه‌ اطلاعات زمین‌های کشاورزی است. با داشتن این معلومات می‌توان مصرف آب را تخمین و مقدار برداشت محصول را تعیین نمود. همچنین می‌توان به کمک آن، هدایت ماشین‌آلات کشاورزی را خودکار نمود. باتوجه به این‌که برداشت میدانی مرز زمین‌های کشاورزی زمان‌بر و پرهزینه است، روش‌های سنجش از دوری برای این کار انتخابی معقول هستند. اما ترسیم دستی مرز زمین‌های کشاورزی از روی تصاویر سنجش از دوری، باز هم دشوار است. به همین دلیل برای انجام آن، استفاده از روش‌های خودکار راه‌حل مناسبی است. در این پژوهش ابتدا عوامل فنی و طبیعی تأثیرگذار بر فرایند استخراج مرز زمین‌های کشاورزی، مورد بررسی قرارگرفته‌اند. سپس درمورد انواع مختلف الگوریتم‌های شناسایی مرز به عنوان یک عارضه خطی، بحث شده است. از میان آن‌ها الگوریتم شبکه‌عصبی پیچشی که نوعی الگوریتم استخراج مرز سلسله مراتبی تصویری است، برای ادامه کار انتخاب شده است. استخراج مرز، نوعی قطعه‌بندی تصویر تلقی می‌شود. بنابراین، انواع مختلف معماری‌های شبکه‌عصبی‌پیچشی برای قطعه‌بندی تصویر مورد بررسی قرارگرفت. یکی از مشکلات استفاده از شبکه‌های عصبی پیچشی، عدم دسترسی به مجموعه‌داده آموزشی با اندازه مناسب است. در این پژوهش حل مشکل کمبود مجموعه‌داده آموزشی، با استفاده از فنون انتقال‌یادگیری و تنظیم‌دقیق انجام شده است. به منظور آموزش شبکه‌های‌عصبی‌پیچشی، از مجموعه‌داده دسترسی آزاد فرانسه در کنار سه مجموعه داده شهرستان‌همدان، شهرستان بهار و منطقه خرسان استفاده شد. این سه مجموعه‌داده به منظور بررسی اثر انتقال‌یادگیری و نیز قابلیت‌تعمیم مدل‌ها تهیه آماده‌سازی شدند. هشت سناریوی آزمایشی برای آموزش، تنظیم‌دقیق و تست درنظرگرفته شد. پنج مورد از این آزمایشات، با تنظیم‌دقیق و سه مورد دیگر بدون تنظیم‌دقیق انجام شدند. همچنین پنج حالت معماری مختلف از شبکه U-Net به همراه شبکه‌های‌پایه مختلف پیاده‌سازی شد. برای ارزیابی عملکرد روش، معیارهای Dice Score، IoU، Accuracy، Recall و F1-Score محاسبه شدند. در پایان مشخص شد، انتقال‌یادگیری و تنظیم‌دقیق، روشی برای جبران کمبود داده‌های آموزشی و افزایش دقت مدل هستند. با استفاده از تنظیم‌دقیق، دقت عملکرد بهترین سناریوی آزمایش در معیار IoU، از مقدار 73 درصد به 87 درصد رسیده است که به میزان 14 درصد بهبود پیدا کرد. همچنین مکانیسم Attention در ترکیب با معماری‌های شبکه‌عصبی، دقت استخراج مرز را بهبود می‌دهد. پارامتر دیگر قدرت تفکیک‌مکانی تصاویر است که با دقت مدل رابطه‌ای مستقیم دارد. نتایج نشان می‌دهد معماری‌های موجود هنوز به قابلیت تعمیم مناسبی برای مناطق مختلف نرسیده‌اند.

فایل: ّFile: تنزيل فایل