[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.7
نرخ رد: 37.3
میانگین داوری: 209 روز
میانگین انتشار: 344 روز
..
:: دوره 10، شماره 2 - ( 8-1401 ) ::
جلد 10 شماره 2 صفحات 104-89 برگشت به فهرست نسخه ها
نقشه‌برداری درختان در محیط‌های شهری با استفاده از شبکه عصبی عمیق کانولوشنی و فیلترهای مورفولوژیکی در پردازش تصاویر هوایی با قدرت تفکیک مکانی بالا
مسلم درویشی ، رضا شاه حسینی*
دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی - پردیس دانشکده‌های فنی - دانشگاه تهران
چکیده:   (1421 مشاهده)
امروزه نقش درختان در کیفیت زندگی بشر غیرقابل‌انکار است، به‌گونه‌ای که زمین بدون حضور درختان برای انسان قابل‌تصور نیست. درختان شهری علاوه بر نقش ماهیتی خود، از نظر زیبایی بصری نیز بسیار اهمیت دارند. تصویربرداری هوایی با قدرت تفکیک مکانی بسیار بالا با استفاده از سکوهای بدون سرنشین متداول است. در پردازش داده‌های حجیم حاصل از این نوع تصویربرداری و چالش‌های ویژه آن، روش‌های یادگیری عمیق بر پایه شبکه‌های عصبی کانولوشنی بسیار کارآمد هستند. در این تحقیق یک معماری برای شبکه عصبی کانولوشنی بر پایه شبکه‌های رمزگذار - رمزگشا پیشنهاد شده است که نتایج آن بر روی داده‌های مرجع ارائه شده توسط انجمن بین‌المللی فتوگرامتری و سنجش‌ازدور از شهر پوتسدام کشور آلمان جهت آشکارسازی درختان شهری، دقت کلی 96.10% و امتیاز F1 برابر با 80.72% را ارائه می‌دهد. همچنین موضوع جایگزینی باند مادون‌قرمز به‌جای باند آبی در تصاویر مرئی مورد بررسی قرار گرفت که موجب بهبود در نتایج طبقه‌بندی شد هرچند تغییر بسیار کم دقت با وجود این تغییر را می‌توان به زمان تصویربرداری مرتبط دانست که در این زمان عموماً درختان منطقه موردمطالعه از هیچ‌گونه سبزینگی برخوردار نبوده‌اند. بحث دیگر در این تحقیق ایجاد تصویر تفاضلی از نقشه واقعیت زمینی و نقشه تخمین خروجی از الگوریتم پیشنهادی است که با توجه به این نقشه تفاضلی اعمال یک فیلتر مورفولوژی مفید به نظر می‌رسد که در عمل موجب افزایش دقت در طبقه‌بندی نهایی شده است. موضوع آخر استفاده از پارامترهای شبکه حاصل از آموزش توسط ترکیب باندی قرمز، سبز و آبی به‌عنوان پارامترهای اولیه برای شبکه با ورودی ترکیب باندی مادون‌قرمز نزدیک، قرمز و سبز است که در این حالت زمان دستیابی به بهترین عملکرد شبکه در حدود 83% کاهش یافته و این پیش آموزش پارامترهای شبکه عصبی موجب همگرایی سریع شبکه موردنظر شده است.
واژه‌های کلیدی: یادگیری عمیق، سنجش‌ازدور، شبکه‌های عصبی کانولوشنی، تصاویر هوایی با قدرت تفکیک مکانی بالا
متن کامل [PDF 1267 kb]   (314 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1400/6/31 | پذیرش: 1401/6/30 | انتشار: 1401/8/10
فهرست منابع
1. [1] F. Schiefer, T. Kattenborn, A. Frick et al., "Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 170, pp. 205-215, 2020. [DOI:10.1016/j.isprsjprs.2020.10.015]
2. [2] P. G. Brodrick, A. B. Davies, and G. P. Asner, "Uncovering ecological patterns with convolutional neural networks," Trends in ecology & evolution, vol. 34, no. 8, pp. 734-745, 2019. [DOI:10.1016/j.tree.2019.03.006]
3. [3] L. Ma, Y. Liu, X. Zhang et al., "Deep learning in remote sensing applications: A meta-analysis and review," ISPRS journal of photogrammetry and remote sensing, vol. 152, pp. 166-177, 2019. [DOI:10.1016/j.isprsjprs.2019.04.015]
4. [4] D. Lobo Torres, R. Queiroz Feitosa, P. Nigri Happ et al., "Applying fully convolutional architectures for semantic segmentation of a single tree species in urban environment on high resolution UAV optical imagery," Sensors, vol. 20, no. 2, pp. 563, 2020. [DOI:10.3390/s20020563]
5. [5] S. Hartling, V. Sagan, P. Sidike et al., "Urban tree species classification using a WorldView-2/3 and LiDAR data fusion approach and deep learning," Sensors, vol. 19, no. 6, pp. 1284, 2019. [DOI:10.3390/s19061284]
6. [6] A. A. d. Santos, J. Marcato Junior, M. S. Araújo et al., "Assessment of CNN-based methods for individual tree detection on images captured by RGB cameras attached to UAVs," Sensors, vol. 19, no. 16, pp. 3595, 2019. [DOI:10.3390/s19163595]
7. [7] T. Kattenborn, J. Leitloff, F. Schiefer et al., "Review on Convolutional Neural Networks (CNN) in vegetation remote sensing," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 173, pp. 24-49, 2021. [DOI:10.1016/j.isprsjprs.2020.12.010]
8. [8] G. D. Pearse, A. Y. Tan, M. S. Watt et al., "Detecting and mapping tree seedlings in UAV imagery using convolutional neural networks and field-verified data," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 168, pp. 156-169, 2020. [DOI:10.1016/j.isprsjprs.2020.08.005]
9. [9] L. P. Osco, M. d. S. de Arruda, J. M. Junior et al., "A convolutional neural network approach for counting and geolocating citrus-trees in UAV multispectral imagery," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 160, pp. 97-106, 2020. [DOI:10.1016/j.isprsjprs.2019.12.010]
10. [10] W. Li, H. Fu, L. Yu et al., "Deep learning based oil palm tree detection and counting for high-resolution remote sensing images," Remote Sensing, vol. 9, no. 1, pp. 22, 2017. [DOI:10.3390/rs9010022]
11. [11] H. Jiang, S. Chen, D. Li et al., "Papaya tree detection with UAV images using a GPU-accelerated scale-space filtering method," Remote Sensing, vol. 9, no. 7, pp. 721, 2017. [DOI:10.3390/rs9070721]
12. [12] Y. Ampatzidis, and V. Partel, "UAV-based high throughput phenotyping in citrus utilizing multispectral imaging and artificial intelligence," Remote Sensing, vol. 11, no. 4, pp. 410, 2019. [DOI:10.3390/rs11040410]
13. [13] H. A. Amirkolaee, and H. Arefi, "Height estimation from single aerial images using a deep convolutional encoder-decoder network," ISPRS journal of photogrammetry and remote sensing, vol. 149, pp. 50-66, 2019. [DOI:10.1016/j.isprsjprs.2019.01.013]
14. [14] Y. Liu, B. Fan, L. Wang et al., "Semantic labeling in very high resolution images via a self-cascaded convolutional neural network," ISPRS journal of photogrammetry and remote sensing, vol. 145, pp. 78-95, 2018. [DOI:10.1016/j.isprsjprs.2017.12.007]
15. [15] W. Liu, Y. Zhang, H. Fan et al., "A New Multi-Channel Deep Convolutional Neural Network for Semantic Segmentation of Remote Sensing Image," IEEE Access, vol. 8, pp. 131814-131825, 2020. [DOI:10.1109/ACCESS.2020.3009976]
16. [16] D. Chai, S. Newsam, and J. Huang, "Aerial image semantic segmentation using DCNN predicted distance maps," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 161, pp. 309-322, 2020. [DOI:10.1016/j.isprsjprs.2020.01.023]
17. [17] J. Long, E. Shelhamer, and T. Darrell, "Fully convolutional networks for semantic segmentation", In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 3431-3440, 2015. [DOI:10.1109/CVPR.2015.7298965]
18. [18] O. Ronneberger, P. Fischer, and T. Brox, "U-net: Convolutional networks for biomedical image segmentation", In International Conference on Medical image computing and computer-assisted intervention, pp. 234-241. 2015. [DOI:10.1007/978-3-319-24574-4_28]
19. [19] V. Badrinarayanan, A. Kendall, and R. Cipolla, "Segnet: A deep convolutional encoder-decoder architecture for image segmentation," IEEE transactions on pattern analysis and machine intelligence, vol. 39, no. 12, pp. 2481-2495, 2017. [DOI:10.1109/TPAMI.2016.2644615]
20. [20] International Society for Photogrammetry and Remote Sensing," 2D semantic labeling contest." [Online]. Available: http://www2.isprs.org/commissions/comm3/wg4/semantic-labeling.html.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Darvishi M, Shah-Hosseini R. Provide a Deep Convolutional Neural Network Optimized with Morphological Filters to Map Trees in Urban Environments Using Aerial Imagery. jgit 2022; 10 (2) :89-104
URL: http://jgit.kntu.ac.ir/article-1-854-fa.html

درویشی مسلم، شاه حسینی رضا. نقشه‌برداری درختان در محیط‌های شهری با استفاده از شبکه عصبی عمیق کانولوشنی و فیلترهای مورفولوژیکی در پردازش تصاویر هوایی با قدرت تفکیک مکانی بالا. مهندسی فناوری اطلاعات مکانی. 1401; 10 (2) :89-104

URL: http://jgit.kntu.ac.ir/article-1-854-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 2 - ( 8-1401 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 37 queries by YEKTAWEB 4645