ارزیابی خسارت در عملیات نظامی با استفاده از یادگیری عمیق و پردازش تصاویر

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 پژوهشگر، پژوهشکده عالی جنگ، دانشگاه فرماندهی و ستاد آجا

2 استادیار، پژوهشکده عالی جنگ دانشگاه فرماندهی و ستاد آجا

چکیده

تشخیص اشیاء نقش مهمی در تحلیل تصاویر صحنه‌های نبرد به ویژه ارزیابی خسارت دارد. در این مقاله از فنون بینایی ماشین و در کنار آن یادگیری عمیق و پردازش تصاویر دیجیتال برای دستیابی به روشی قدرتمند با حداکثر سرعت و دقت جهت تشخیص اشیاء مورد نظر در صحنه نبرد و همچنین تخمین خسارات وارد شده استفاده شده است. برای انجام عمل تشخیص اشیاء، ویژگی‌ها و پارامترهای تصاویر توسط شبکه‌های عصبی کانولوشن استخراج شده و در امر یادگیری شبکه عصبی به کار گرفته شده است. برای ارزیابی خسارت از معیارهای شباهت ساختاری، خطای میانگین مربعات و روش آستانه‌گذاری برای سنجش میزان شباهت‌ و تغییرات تصاویر دریافتی قبل و بعد از خسارات وارد شده، استفاده شده است. در نهایت، نمونه‌هایی از تصاویرِ مکان‌های خسارت دیده برای اعتبارسنجی روش پیشنهادی مورد بررسی و آزمایش قرار گرفته است.

کلیدواژه‌ها


  • L. Poole and A. K. Mackworth, “Artificial intelligence: Foundations of computational agents,” Cambridge University Press, vol. 9780521519, 2010.
  • دژ پسند, فرهاد, و حمیدرضا رئوفی، “اقتصاد ایران در دوران جنگ تحمیلی.” فصلنامه تخصصی مطالعات دفاع مقدس، صفحه 150-147، 1387.
  • P. Papageorgiou and M. Oren, “A general framework for object detection,” Comput Vision, IEEE Int. Conf, vol. 0, no. pp. 555-562, 1998.
  • Cortes, V.Vapnik, “Support Vector Networks,” Mach. Learn., vol. 20, no. 3, pp. 273-297, 1995.
  • Torralba, A. Oliva, and W. T. Freeman, “Object recognition by scene alignment,” J. Vis, vol. 3, pp. 196–204, 2010.
  • Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” IEEE Trans. Pattern Anal. Mach. Intell, vol. 39, no. 6, pp. 1440-1448, 2017.
  • Liu et al., “SSD: Single shot multibox detector,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9905 LNCS, pp. 21-37, 2016.
  • De-yun, Z. Li-na, Z. Kai, and Z. Kun, “Battle damage assessment with change detection of SAR images,” Control Conf. (CCC), 34th Chinese,  pp. 193–197, 2015.
  • Chen-han and H. Jian, “The application of Bayesian network in battle damage assessment,” Softw. Eng. Serv. Sci, pp. 529-532, 2014.
  • Paul, “Probability models for battle damage assessment (simple shoot-look-shoot and beyond),” Reports and Technical Reports, Monterey, California, pp. 1-26, 1997.
  • K. Mehraa, “Automatic Battle Damage Assessment based on Laser Radar Imagery,”  vol. 3707, no., pp. 210-221, 1999.
  • Lecun, L. Bottou, Y. Bengio and P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998
  • Rawat, W. and Wang, Z., “Deep convolutional neural networks for image classification: A comprehensive review”. Neural computation, 29(9), pp.2352–2449, 2017.
  • Krizhevsky, I. Sutskever, and H. Geoffrey E, “ImageNet Classification with Deep Convolutional Neural Networks,” Adv. Neural Inf. Process, Syst. 25, pp. 1-9, 2012.
  • Szegedy, S. Reed, P. Sermanet, V. Vanhoucke, and A. Rabinovich, “Going deeper with convolutions,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-12, 2014.
  • Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” Computer Vision and Pattern Recognition, pp. 1-9, 2017.
  • Lin TY. et al. “Microsoft COCO: Common Objects in Context. “In: Fleet D., Pajdla T., Schiele B., Tuytelaars T. (eds) Computer Vision – ECCV 2014. ECCV 2014. Lecture Notes in Computer Science, vol 8693, 2014.
  • Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron, "6.2.2.3 Softmax Units for Multinoulli Output Distributions". Deep Learning. MIT Press. pp. 180–184. ISBN 978-0-26203561-3. 2016.
  • Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli, “Image quality assessment: From error visibility to structural similarity,” IEEE Trans. Image Process,  vol. 13, no. 4, pp. 600-612, 2004.