تشخيص اسلحه كمري توسط دوربين‌هاي نظارتي در حالات دشوار از جمله انسداد، زاويه‌هاي مختلف و فاصله زياد به كمك يادگيري عميق

Detection of lumbar guns in surveillance cameras in difficult situations, including occlusion, different angles and long distances Using deep learning

بدون شك مسئله افزايش امنيت در مكان هاي عمومي همواره موردتوجه محققان و مسئولين مربوطه بوده است. براي افزايش امنيت در مكان هايي مانند مترو، فرودگاه و مكان هاي زيارتي اقدامات قابل توجه اي ازجمله سامانه هاي بازرسي، نصب دوربين هاي نظارتي و قرار دادن مأمور در محل صورت گرفته است. اما تمام موارد گفته‌شده توسط نيروي انساني صورت مي گيرد كه عواملي مانند خستگي، حواس پرتي و بسياري از عوامل ديگر روي كيفيت نظارت تأثير مي گذارند. يكي از اقدامات نقض امنيت، حمل سلاح و كشيدن اسلحه است، راهكار ارائه‌شده در اين مقاله استفاده از الگوريتم‌هاي يادگيري عميق در قالب تشخيص اسلحه در دوربين هاي نظارتي است سيستم پيشنهادي علاوه بر نظارت بر اماكن عمومي مي تواند به امنيت هرچه بيشتر بانك ها، طلافروشي ها، فروشگاه هاي زنجيره اي و موارد مشابه كمك كند ازآنجايي‌كه سارقان مسلح مانع اطلاع دادن كاركنان به پليس مي شوند، سيستم تشخيص سلاح به‌صورت خودكار در صورت تشخيص سلاح، به‌سرعت با مأمورين امنيتي تماس مي گيرد و اطلاع‌رساني را انجام مي دهد. در اين تحقيق براي تشخيص سلاح كمري از دو نسخه ي بزرگ و كوچك شبكه عصبي عميق YOLO_v5 استفاده‌شده است و با توجه به اينكه اين شبكه‌ها قبلاً بر روي مجموعه داده COCO آموزش‌ديده‌اند تعداد لايه هاي متفاوتي از آن‌ها در طي آزمايش ها، آموزش داده شد و عملكرد اين شبكه ها با يكديگر مقايسه شد. درنهايت سيستم پيشنهادي تشخيص خودكار اسلحه كمري پس از آموزش به‌وسيله مجموعه داده Pishtaw عمليات تشخيص سلاح كمري را با دقت 99.01% انجام مي دهد.

Undoubtedly, the issue of increasing security in public places has always been the focus of researchers and relevant officials. Significant measures have been taken to increase security in places such as the metro, the airport and places of pilgrimage, including inspection systems, the installation of surveillance cameras and the deployment of an officer. But all of the above is done by human resources, which factors such as fatigue, distraction and many other factors affect the quality of monitoring. One of the security measures is carrying a weapon and pulling a gun. The solution presented in this article is to use deep learning algorithms in the form of weapons detection in surveillance cameras. In addition to monitoring public places, the proposed system can provide as much security as possible. Banks, goldsmiths, chain stores, and the like help As armed robbers prevent employees from informing the police, the automatic weapons detection system quickly contacts security officers if it detects a weapon. an‎d provides information. In this study, two large and small versions of the YOLO_v5 deep neural network were used to detect the lumbar weapon. an‎d the performance of these networks was compared with each other. Finally, the proposed system of automatic detection of pistols after training with the Pishtaw data set performs the detection operation of the pistol with 99.01% accuracy.