بخشی از پاورپوینت
اسلاید 1 :
اثر تغییر رزلوشن تصویر در کاهش بارمحاسباتی یادگیری عمیق به منظور قطعهبندی تصویر حاوی گوجهفرنگی روی بوته
اسلاید 2 :
چکیده
علیرغم توسعهی سریع رباتیک کشاورزی، عدم دسترسی به شناسایی خودکار محصول و برداشت دقیق آن، باعث محدود شدن کاربرد تجاری رباتهای برداشت میشود. یکی از معضلاتی که در زمینه بینایی ماشین به شناسایی خودکار محصول دامن میزند، زمانبر بودن پروسهی شناسایی محصول در رباتهای برداشت محصول و همچنین سامانههای سورتینگ محصولات کشاورزی است. افزایش زمان پردازش تصویر در این سامانهها منجر به افزایش بارمحاسباتی و در نتیجه کاهش عملکرد و همچنین محدودیت کاربری تجاری این سامانهها میشود.
از طرف دیگر وجود بار محاسباتی بالا، افزایش هزینههای مالی مربوط به استفاده از پردازندههایی با توان محاسباتی زیاد را در پی خواهد داشت. در این تحقیق به منظور کاهش بار محاسباتی پردازش تصویرگوجهفرنگی، استفاده از الگوریتمهای یادگیری عمیق خاصی با محوریت کاهش وضوح تصویر مورد تحقیق قرار خواهد گرفت.
اسلاید 3 :
مقدمه
با توجه به پیشرفتهای انجام گرفته در سالهای اخیر، روشهای مبتنی بر شبکههای عصبی عمیق توانستهاند در مشکلات مختلف بینایی رایانهای عملکرد عالی داشته باشند. در برخی از کارها مانند شناسایی تصویر، رویکردهای مبتنی بر شبکههای عصبی حتی توانستهاند از عملکرد انسان پیشی بگیرند. از طرف دیگر در کارهای عملی، ما اغلب با تصاویر کم کیفیت واجه هستیم که تحت تاثیر عواملی مانند رزلوشن پایین، وجود نویز یا دامنه دینامیکی کوچک قرار دارند (کزیارسکی و همکاران، 2018 ).
بسیاری از افراد بر این باورند که صحت طبقهبندی و شناسایی در تصاویر، با افزایش رزلوشن روند صعودی خواهد یافت. مانند تحقیقی که توسط کزیارسکی به روی اثر رزلوشن پایین تصویر در شناسایی تصاویر در شبکه عصبی عمیق انجام گرفت. در این تحقیق که به روی تصاویر متعددی با موضوعات مختلف صورت گرفت، چنین نتیجه گیری شد که هر گونه کاهش رزلوشن تصویر منجر به کاهش صحت شناسایی تصویر در شبکه عصبی عمیق میشود (کزیارسکی و همکاران، 2018 ). با این حال نتایج تحقیقات زیادی بیانگر وجود رزلوشن بهینه در فرآیند قطعهبندی و طبقه بندی تصویر میباشد. منظور از رزلوشن بهینه، وضوحی است که در آن بیشترین صحت قطعهبندی یا طبقهبندی و کمترین زمان پردازش اتفاق میافتد.
اسلاید 4 :
روش انجام تحقیق
در ابتدا باید تصاویری از گوجهفرنگی به روی بوته در رزلوشنهای مختلف تهیه شود. سپس این تصاویر به کمک الگوریتمهای در دست طراحی به منظور قطعهبندی آنها، مورد پردازش قرار گرفته و پارامترهایی مانند صحت و زمان قطعهبندی مربوط به هر یک از رزلوشنها اندازهگیری میشود. در پایان رزلوشنی که بهترین صحت قطعهبندی و زمان پردازش را داشته، یافت میشود.
اسلاید 5 :
فرضیهها
1- رزلوشن بهینهای وجود دارد که در آن بیشترین صحت قطعهبندی و کمترین زمان پردازش تصاویر محصول گوجهفرنگی بدست آید.
2- امکان قطعهبندی تصاویر حاوی محصول گوجهفرنگی در زمان متناسب با سرعت پیشروی رباتهای برخط وجود دارد.
اسلاید 6 :
بحث و نتیجهگیری
همان طور که پیش از این گفته شد نتایج تحقیقات زیادی بیانگر وجود رزلوشن بهینه در فرآیند قطعهبندی و طبقهبندی تصویر میباشد. در تمامی این تحقیقات موضوع تصاویر برای هر تحقیق ثابت است. در ادامه به بیان تحقیقات انجام گرفته در این راستا میپردازیم:
گبهارد و همکاران اثر شش رزلوشن تصویر را در کیفیت طبقهبندی نوعی گیاه چمنزار مورد برسی قرار دادند. نتایج نشان میدهد کمترین رزلوشن تصویر، رتبه سوم را در کیفیت طبقهبندی کسب کرد. همچنین زمان شناسایی گیاه در این رزلوشن کمتر از سه ثانیه بود. این در حالی است که زمان شناسایی گیاه در بیشترین رزلوشن چهل و پنج ثانیه گزارش شده است.(Gebhardt et. al., 2007) آلگانچی و همکاران با استفاده از چندین الگوریتم مختلف و تعدادی رزلوشن تصویرمتفاوت، سطحبندی شناسایی اراضی کشاورزی را انجام دادند. نتایج این تحقیق نشان میدهد بیشترین صحت طبقهبندی در رزلوشن خاصی اتفاق میافتد. (Alganci et. al., 2013)
اسلاید 7 :
بحث و نتیجهگیری
در تصاویر گوجهفرنگی به روی بوته با توجه به اختلاف ویژگیهای بارزی مانند: رنگ، هندسه و بافت که نسبت به پسزمینه آن وجود دارد، انتظار میرود به منظور قطعهبندی این تصاویر از بار محاسباتی کمتری استفاده شود. با توجه به مزیتهای بیان شده، امید بر این است تا بتوان رزلوشن بهینه را در این تصاویر کاهش داده و منجر به کاهش بارمحاسباتی شد. علاوه بر این اجرای ویژگیها و توابع استخراجی شبکه، دارای بار محاسباتی کمتری نسبت به آموزش شبکه میباشد، که میتواند باعث اجرای این توابع به کمک سخت افزارهایی با توان محاسباتی پایین شود.
