تشخیص سیل با استفاده از بخش بندی تصویر در زمان واقعی

تشخیص سیل با استفاده از بخش بندی تصویر در زمان واقعی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 26

تعداد کلمات : 9200

مجله : remote sensing

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
30 جولای 2022
دسته بندی
تعداد بازدیدها
1293 بازدید
40,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:تشخیص سیل با استفاده از بخش بندی تصویر در زمان واقعی از هواپیماهای بدون سرنشین(پهپاد) بر روی پلت فرم محاسبات لبه

 چکیده

  با گسترش هواپیمای بدون سرنشین (پهپادها) در زمینه‌ها و حوزه‌های کاربردی مختلف، تلاش‌هایی در حال انجام است تا به این دستگاه‌ها هوش واطلاعات  کافی داده شود تا بتوانند وظایف پیچیده را با استقلال کامل انجام دهند. به طور خاص، پوشش سناریوهایی مانند مناطق فاجعه ممکن است به دلیل کمبود زیرساخت در برخی مناطق، به ویژه دشوار شود، که اغلب مانع از تجزیه و تحلیل مبتنی بر ابر داده ها در زمان واقعی می شود. بنابراین، فعال کردن تکنیک‌های هوش مصنوعی در لبه بسیار مهم است تا پهپادها بتوانند هم اطلاعات را ضبط و پردازش کنند تا درک درستی از زمینه خود داشته باشند و هم مسیر عمل مناسب را به شیوه‌ای مستقل تعیین کنند. برای رسیدن به این هدف، در این مقاله، ما گام‌های مصمم به سمت خودمختاری پهپاد در سناریوی فاجعه‌ای مانند سیل برداشته‌ایم. به طور خاص، ما از مجموعه داده‌ای از تصاویر پهپاد نسبت به سیل‌های مختلف در اسپانیا استفاده می‌کنیم، و سپس از یک رویکرد مبتنی بر هوش مصنوعی استفاده می‌کنیم که بر سه شبکه عصبی عمیق (DNNs) پرکاربرد برای تقسیم‌بندی معنایی تصاویر متکی است تا به‌طور خودکار مناطق بیشتر تحت تاثیر بارانرا تعیین کند.  (مناطق سیل زده). الگوریتم های هدف برای پلتفرم های محاسبات لبه مبتنی بر GPU بهینه شده اند، به طوری که طبقه بندی را می توان بر روی خود پهپادها انجام داد و تنها خروجی الگوریتم برای ردیابی بلادرنگ مناطق سیل زده در ابر بارگذاری می شود. به این ترتیب، ما می‌توانیم وابستگی به زیرساخت‌ها را کاهش دهیم، و مصرف منابع شبکه را کاهش دهیم، و فرآیند کلی را سبزتر و قوی‌تر در برابر اختلالات اتصال کنیم. نتایج تجربی با استفاده از انواع مختلف سخت‌افزار و معماری‌های مختلف نشان می‌دهد که انجام پردازش بلادرنگ پیشرفته تصاویر پهپاد با استفاده از راه‌حل‌های پیچیده مبتنی بر DNN امکان‌پذیر است.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Flood Detection Using Real-Time Image Segmentation from Unmanned Aerial Vehicles on Edge-Computing Platform

Abstract

With the proliferation of unmanned aerial vehicles (UAVs) in different contexts and application areas, efforts are being made to endow these devices with enough intelligence so as to allow them to perform complex tasks with full autonomy. In particular, covering scenarios such as disaster areas may become particularly difficult due to infrastructure shortage in some areas, often impeding a cloud-based analysis of the data in near-real time. Enabling AI techniques at the edge is therefore fundamental so that UAVs themselves can both capture and process information to gain an understanding of their context, and determine the appropriate course of action in an independent manner. Towards this goal, in this paper, we take determined steps towards UAV autonomy in a disaster scenario such as a flood. In particular, we use a dataset of UAV images relative to different floods taking place in Spain, and then use an AI-based approach that relies on three widely used deep neural networks (DNNs) for semantic segmentation of images, to automatically determine the regions more affected by rains (flooded areas). The targeted algorithms are optimized for GPU-based edge computing platforms, so that the classification can be carried out on the UAVs themselves, and only the algorithm output is uploaded to the cloud for real-time tracking of the flooded areas. This way, we are able to reduce dependency on infrastructure, and to reduce network resource consumption, making the overall process greener and more robust to connection disruptions. Experimental results using different types of hardware and different architectures show that it is feasible to perform advanced real-time processing of UAV images using sophisticated DNN-based solutions.