ارائه روشي مبتني بر شبكه‌هاي عصبي كانولوشني براي فرود اتوماتيك پرنده‌هاي بدون سرنشين

فرود اتوماتيك يكي از موضوعات و چالش‌هاي مهم در حوزه كنترل و اتوماسيون پهپادهاي بدون سرنشين است. توسعه الگوريتم‌هاي فرود اتوماتيك نيازمند تعيين موقعيت پهپاد نسبت محل فرود است كه اين امر در حوزه‌هاي پردازش تصوير نيازمند تشخيص دقيق و سريع محل فرود است. ازجمله روش‌هاي معمول در اين زمينه طبقه بندي كننده آبشاري، تناظريابي و قطعه‌بندي تصوير است كه به نظر مي‌رسد با تغييرات آب و هوايي، مقياس متفاوت اين الگوريتم‌ها با چالش مواجه شوند. از طرف ديگر، در سال هاي اخير شبكه‌هاي كانولوشني عميق به‌عنوان مدل‌هايي قوي جهت شناسايي و تشخيص اشيا در تصاوير به كار رفته‌اند. اما با اين حال با توجه به بار محاسباتي زياد، اين مدل‌ها هنوز در حوزه پرنده‌هاي بدون سرنشيني كه از لحاظ سخت‌افزاري سبك هستند و قدرت پردازش ضعيفي دارند، به‌صورت جدي به كار گرفته نشده‌اند. هدف در اين مقاله به‌كارگيري شبكه‌هاي عميق كانولوشني براي تشخيص آني محل فرود و مقايسه آن با روش طبقه‌بندي كننده آبشاري است. نتايج پياده‌سازي روش ارائه‌شده بر روي يك پرنده آزمايشي نشان مي‌دهد كه روش پيشنهادي نسبت به دوران، مقياس، انتقال و حتي پنهان شدگي تا حد بسيار زيادي پايدار و دقت آن 7/97 است كه نسبت به روش طبقه‌بندي كننده آبشاري 2 درصد بيشتر است. درحالي‌كه از لحاظ سرعت هم قابل مقايسه با آن مي باشد.