بهبود دقت و کارایی سیستم های پردازش تصویر ریسپرنذه ها برای تشخیص اشیا ء در محیطهای کم نور با استفاده از یادگیری عمیق

تشخیص اشیاء در تصاویر گرفته شده توسط ریزپرنده ها در محیط های کم نور به دلیل وجود نویزهای نوری، کاهش کنتراست، و جزئیات محدود، همواره یکی از چالش های مهم در حوزه بینایی ماشین و یادگیری عمیق بوده است در این پژوهش، به بررسی روش های پیشرفته بهبود دقت و کارایی سیستم های پردازش تصویر ریزپرنده ها پرداخته شده است با بهره گیری از معماری های نوین شبکه های عصبی کانولوشنی CNN و استفاده از تکنیک های تقویت داده Data Augmentation مختص شرایط کم نور، الگوریتم های برای افزایش دقت شناسایی و کاهش نرخ خطا ارائه شده است. همچنین از روش های تظیم تطبیقی وزن ها و توابع زیان بهینه برای بهبود عملکرد مدل ها در سناریوهای نوری متغیر استفاده گردید. نتایج آزمایش ها نشان می دهد که رویکرد پیشنهادی در مقایسه با روش های مرسوم، بهبود چشم گیری درمعیارهای دقت Accuracy حساسیت sensitivity ونرخ بازیابی Recall داشته و می تواند به عنوان روشی کارآمد در کاربردهای عملی مورد استفاده قرار گیرد.

بهبود دقت و کارایی سیستم های پردازش تصویر ریسپرنذه ها برای تشخیص اشیا ء در محیطهای کم نور با استفاده از یادگیری عمیق Keywords:

یادگیری عمیق , پردازش تصویر , ریزپرنده ها , تشخیص اشیاء , محیط کم نور