بینایی مقاوم به افت کیفیت با کالیبراسیون کمنمونه برای ادراک موانع در ریزپرندهها
بینایی مقاوم به افت کیفیت با کالیبراسیون کمنمونه برای ادراک موانع در ریزپرندهها
هانی بیرامی1
1) محقق مستقل
کد IOI مقاله
:
AAHD-ABKBFB
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
ادراک بصری قابلاعتماد در ریزپرندهها بسیار چالشبرانگیز است، زیرا مدلهای سبکوزنِ قابل اجرا روی سامانه پروازی باید با وجود محدودیت منابع محاسباتی، در برابر تغییرات روشنایی و کیفیت تصویر مقاوم باقی بمانند. در این مقاله، یک چارچوب بینایی سبکوزن و آگاه از افت کیفیت برای تخمین همزمان فاصله مانع و طبقهبندی سطح ریسک ارائه میشود که در آن از MobileNetV3-small بهعنوان استخراجکننده ویژگی مشترک استفاده شده است. شبکه دارای دو شاخه پیشبینی مجزا برای رگرسیون فاصله و طبقهبندی سهکلاسه ریسک می باشد. مقاومت مدل در شرایط نور کم، تاری گاوسین، نویز گاوسین و انسداد جزئی ارزیابی شده است. مدل پایه در تصاویر مصنوعی تمیز به میانگین خطای مطلق فاصله برابر با 0.104 متر و دقت طبقهبندی ریسک برابر با 95.33 درصد می باشد، اما عملکرد آن در شرایط نور کم و نویزی بهطور محسوسی کاهش مییابد. ازاینرو، یک راهبرد ریزتنظیم آگاه از افت کیفیت با اعمال تصادفی تخریبهای دوربین در حین آموزش ارائه شده است. این روش خطای فاصله را در شرایط نور کم 89.39 درصد و در حضور نویز گاوسی 79.77 درصد کاهش میدهد و در هر دو حالت، دقت تشخیص ریسک را به بیش از 95 درصد بازمیگرداند. برای کاهش شکاف باقیمانده میان شبیهسازی و دنیای واقعی، یک مرحله کالیبراسیون خطی کمنمونه و سبکوزن با استفاده از 24 تصویر واقعی برچسبخورده آموزش داده شده و روی 12 تصویر دیدهنشده ثبتشده با دوربین Crazyflie، در پنج تقسیمبندی متوازن داده، ارزیابی شده است. مدل کالیبرهشده به میانگین خطای فاصله 0.306±0.070 متر و دقت ریسک 68.33±10.87 درصد بسنده میکند؛ در حالی که این مقادیر برای مدل آگاه از افت کیفیتِ بدون کالیبراسیون بهترتیب به مقادیر 0.757±0.017 متر و 46.67±7.45 درصد بهبود می یابد. نتایج نشان میدهند که ترکیب آموزش آگاه از افت کیفیت با کالیبراسیون کمهزینه خروجی میتواند بدون تغییر در معماری سبکوزن شبکه، ادراک مقاوم موانع را به شکل معناداری بهبود دهد.
کلمات کلیدی : ریزپرنده سبک بینایی سبکوزن ادراک موانع یادگیری آگاه از افت کیفیت کالیبراسیون کمنمونه انتقال از شبیهسازی به دنیای واقعی