مقايسه روش‌هاي يادگيري عميق و طبقه‌ بندي ‌كننده آبشاري در تشخيص اشيا، در 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 به محل فرود است كه اين كار، در حوزه‌هاي پردازش تصوير، به تشخيص دقيق و سريع محل فرود نياز دارد. ازجمله روش‌هاي معمول، در اين زمينه، طبقه‌بندي‌كننده آبشاري و تناظريابي و قطعه‌بندي تصوير است كه به ‌نظر مي‌رسد، با تغييرات آب ‌و ‌هوايي و مقياس متفاوت، اين الگوريتم‌ها با چالش مواجه شوند. از طرف ديگر، در سال‌هاي اخير شبكه‌هاي كانولوشني عميق به ‌منزله مدل‌هايي قوي به ‌منظور شناسايي و تشخيص اشيا در تصاوير به‌ كار رفته‌اند؛ با اين ‌حال با توجه به بار محاسباتي زياد، اين مدل‌ها هنوز در حوزه پرنده‌هاي بدون سرنشيني كه از لحاظ سخت‌افزاري سبك‌اند و قدرت پردازش ضعيفي دارند، كاربرد جدي نيافته‌اند. هدف اين مقاله مقايسه دو روش شبكه‌هاي عميق كانولوشني و طبقه‌بندي‌كننده آبشاري براي تشخيص آني محل فرود است. نتايج عملي‌كردن روش‌ ارائه‌شده روي يك پرنده Parrot AR Drone2.0 نشان مي‌دهد كه شبكه‌هاي كانولوشني در مقابل دوران، مقياس، انتقال و حتي پنهان‌شدگي پايداري بسيار زيادي دارند. دقت تشخيص در اين روش 99/1 است كه، در قياس با روش طبقه‌بندي‌كننده آبشاري، 3% بيشتر است و درعين ‌حال‌ از لحاظ سرعت نيز، مناسب كاربردهاي آني است.