مطالب توسط

بررسی تاثیر اینترنت اشیا بر عملکرد سازمانی با در نظر گرفتن نقش واسطه ای خلق دانش

هدف: هدف از پژوهش تأثیر اینترنت اشیا بر عملکرد سازمان با در نظر گرفتن نقش خلق دانش بود.
روش پژوهش: پژوهش، از نظر هدف کاربردی و به روش توصیفی- همبستگی است. جامعـه آمـاری بانـک مهر اقتصاد استان تهران مشتمل بر 1050 نفر است و تعداد نمونه 284 نفر با روش تصادفی ساده در دسترس انتخاب شـد و با استفاده از پرسشنامه موردسنجش قرار گرفت.

یافته ها: یافته های پرسشنامه از طریق آلفای کرون باخ و روایی صـوری مـورد دسـنجش قـرار گرفـت و بـه ترتیب پایایی و روایی آن تائید شد. همچنین، داده های مدل معادلات ساختاری نشان دهنده برازش خوب مدل است.
نتیجه گیری: نتایج نشان میدهد بانک مهر اقتصاد با به کارگیری اینترنت اشیاء منجر به افزایش عملکـرد شـده
است. همچنین خلق دانش بر رابطه میان اینترنت اشیاء و عملکرد تأثیر مثبت و معناداری می گذارد.

پردازش زبان طبیعی و بازیابی اطلاعات موسیقایی

اطلاعات موسیقیایی

هدف این مقاله (بازیابی اطلاعات موسیقیایی) بررسی کارکردهای پردازش زبان طبیعی در بازیابی اطلاعات موسیقایی است. پژوهش ها در حوزه موسیقی محاسباتی نشان می دهد که حوزه پردازش زبان طبیعی به پژوهش های جدید صورت گرفته در موسیقی نزدیک است . بنابراین می توان از این شباهت سود جست. و تکنیک های پردازش زبان طبیعی را در موسیقی به کار بست.

در این مقاله شباهت میان هر دو حوزه فوق (پردازش زبان طبیعی در بازیابی اطلاعات موسیقیایی است) توصیف می شود. همچنین سطوح پردازش زبان طبیعی و کارکرد موسیقی محاسباتی تبیین می گردد. و در ادامه به نقاط مشترک پژوهش های بازیابی اطلاعات موسیقایی و حوزه پردازش زبیان طبیعی اشاره می شود. در پایان، پژوهش های انجام شده درباره مدل سازی موسیقی آماری با نظریان مشابه در حوزه پردازش زبان طبیعی مقایسه و رهنمون هایی برای بازیابی اطلاعات موسیقایی ارائه می گردد.

داده های دیجیتالی

از آنجا که موسیقی از داده های دیجیتالی گسترده و بازنمودهای فراوانی برخوردار است، در سطوح معناشناختی متعددی جای می گیرد. به طور معمول، مجموعه های موسیقی دیجیتال دربردارندة اسناد دیجیتالی متعددی هستند. که مربوط به هر اثر موسیقی است. حوزة پژوهش موسیقی با پژوهش در NLP شباهت دارد. هر دو حیطه بر روی گون های مشابهی از داده ها که از ویژگیهای مشترکی برخوردارند، کار میکنند. هر دو حوزه با داده هایی کار می کنند که انسانها به راحتی آنها را درک میکنند. اما برای آنکه آنها را به طور کامل برای رایانه ها قابل ههم سازند با مشکلات فراوانی مواجه اند. برای پژوهش در هر دو حوزه از تکنیک های مشابهی استفاده می شود. و باید در خصوص هر یک از حیطه هایی که دیگری پیشرفت بیشتری حاصل شده از هم استفاده کنند.

پژوهشگران موسیقی می توانند دستاوردهای خود را در وظایفی مانند جداسازی داده ها یا کشف محدودههای اصوات عرضه کنند و در مقابل از NLP در خصوص مواردی همچیون روش های اماری، رویکردهای خودکار نسبت به معناشناسی، کمک گرفتن از بازیابی اطلاعات و داده یابی از طریق فهم زبان طبیعی، اسیتفاده کنند. ضرورتی ندارد که همة این تکنیک ها و رویکردهای به ارث رسیده کار کنند، اما یقینا ارزش تلاش کردن دارد.

بررسی مشکلات جستجو و بازیابی تصاویر در موتورهای کاوش برگزیده مبتنی بر ویژگیهای نگارشی زبان فارسی

کاوش و جستجوی تصاویر(Explore and search images)

هدف: پژوهش حاضر با هدف تعیین مشکلات جستجو و بازیابی تصاویر (Explore and search images) در موتورهای کاوش برگزیده مبتنی بر ویژگیهای  نگارشی زبان فارسی انجام شد.

روش: این پژوهش از نوع کاربردی است. و برای پاسخگویی به سؤالات پژوهش از روش ارزیابی با مشاهده مستقیم استفاده شد. جامعه آماری پژوهش شامل سه موتور کاوش گوگل، یاهو و بینگ است. برای گردآوری دادهها، از سیاهه محقق ساخته استفاده شد. و تجزیه و تحلیل دادهها در دو سطح آمار توصیفی و استنباطی صورت گرفت.
یافته ها: نتایج پژوهش نشان داد که موتورهای کاوش

  • گوگل
  • بینگ
  • یاهو

بسیاری از ویژگی های نوشتاری و معنایی زبان فارسی را در هنگام (Explore and search images) نادیده می گیرند. همچنین مشکلات مربوط به نگارش واژگان

  • مشتق
  • مشتق- مرکب
  • جمعهای فارسی
  • مکسر عربی
  • همزه بدون کرسی

و استفاده از زبان محاوره در بخش نوشتاری؛ و چند معنایی در بخش معنایی از مشکلات عمده زبان فارسی در جستجو و بازیابی تصاویر از این موتورهای کاوش به شمار میآیند. به علاوه، در بخش معنایی و نوشتاری، قابلیت های گوگل در انطباق با زبان فارسی نسبت به همتایانش بیشتر است.

بازیابی تصاویر

با توجه به یافته ها، بین ویژگی ها و مسائل مربوط به:

  • پیوسته نویسی
  • جدانویسی واژگان مشتق
  • جدانویسی مشتق- مرکب
  • انواع جمع های فارسی و مکسر عربی
  • نگارش همزه بدون کرسی
  • زبان محاوره در بخش نوشتاری
  • چند معنایی در بخش معنایی
  • بازیابی تصاویر

از موتورهای کاوش مورد مطالعه رابطه معنی داری وجود دارد. به عنوان نمونه با انتخاب کلیدواژه پستچی توسط کاربر و بازیابی تصاویر مربوط به این واژه، کاربر بدون اینکه آگاه باشد، در بسیاری موارد از دستیابی به تصاویر با برچسب پستچی محروم می ماند. و تعداد قابل توجهی از نتایج را از دست می دهد. همچنین با دقت در یافته ها می توان دریافت که واژگان عربی موجود در زبان فارسی مانند آنچه در بحث انواع جمع ها و نگارش همزه آمد، سهم قابل توجهی از این مشکلات را به خود اختصاص داده اند، در بخش ویژگی های معنایی نیز، مسئله چندمعنایی، مشکل عمدهای محسوب میشود. نظیر آنچه کاربر در کاوش واژه قلب با آن روبرو می شود. بدین معنا که در بسیاری موارد کاربر تنها تصاویری را که حاوی یکی از معانی این واژه هستند در میان نتایج ابتدایی بازیابی میکند و در نتیجه دچار سردرگمی میشود.

تشخیص هویت با استفاده از ویژگیهای محلی و ساختاری رگ های شبکیه چشم

تشخیص هویت

سیستم تشخیص هویت بر اساس شبکیه چشم یک سیستم بیومتریک پایدار و قابل اعتماد است. که اشکالاتی مانند فراموشی، لـو رفـتن، گم شدن و جعل شدن را ندارد. در این مقاله یک روش جدید با دقت عملکرد بالا ارائه می گـردد. کـه بـرخلاف سـایر روش هـای مبتنـی بـر شبکیه در مقابل چرخش و جابجایی عروق مقاوم است. این سیستم شـامل سـه مرحلـه اصـلی پـیش پـردازش، اسـتخراج ویژگـی و تطبیـق ویژگی می باشد. استخراج عروق با روش تبدیل موجک پیوسته مختلط انجام می شود.

در مرحله اسـتخراج ویژگـی بـا اسـتفاده از عملگـر تشخیص الگوی محلی رگ علاوه بر تشخیص نقاط ویژه انشعاب و تقاطع در شبکه عروق، ویژگـی هـای ایـن نقـاط ماننـد تعـداد شـاخه، کوچکترین زاویه و نوع نقاط (انشعاب و تقاطع) استخراج می گردد. در مرحله تطبیق ویژگی، از تعداد نقاط ویـژه منطبـق در کنـار میـزان شباهت توپولوژیگراف حاصل از اتصال نقاط ویژه تصویر ورودی و تصاویر مرجع استفاده شده. و در نهایت هویت فرد احراز می گـرددروش ارائه شـده روی پایگـاه داده هـای DIARET ،VARIA ،DRIVEو STARE اجـرا شـده انـد. کـه دقـت تشـخیص هویـت در ایـن پایگاه های داده به ترتیب100% 81/99%  ،7/99%،100% بوده است.

احراز هویت بیومتریک

در میان روشهای مختلف احراز هویت بیومتریک میتوان گفت استفاده از شبکیه چشم به دلیل عدم تغییر عروق شبکیه و عدم دسترسی آسان به عروق قابل اعتمادترین آنهاست. روش ارائه شده در این مقاله مبتنی بر نقاط ویژه عروق شبکیه میباشد که چهار مرحله اصلی دارد.

مرحله اول استخراج رگ است. که به این منظور از روش مبتنی بر موجک پیوسته مختلط استفاده شده است. مرحله دوم تشخیص نقاط انشعاب و تقاطع و ویژگیهای آنها است. که توسط عملگر تشخیص الگوی محلی انجام میشود. در این عملگر نقاط انشعاب و تقاطع بعنوان نقاط ویژه و صفات نوع، تعداد شاخه و کوچکترین زاویه به عنوان ویژگی در نظر گرفته میشوند. در مرحله سوم گراف وزن داری تشکیل میگردد. که رئوس آن نقاط ویژه و وزن یالهای آن فاصله زوج رئوس است (چه رئوسی که به وسیله رگها به یکدیگر متصل باشند و چه نباشند). مرحله چهارم تطبیق ویژگی و تصمیمگیری است. که بر اساس تعداد نقاط منطبق بین دو تصویر از نظر نوع، تعداد شاخه و کوچکترین زاویه و محاسبه شباهت توپولوژیگراف رئوس آنها انجام میشود.

همانطور که مشخص است این روش وابسته به دیسک نوری و مختصات دکارتی نقاط ویژه نمیباشد. و ترازبندی هم انجام نمیدهد. از طرفی هم ویژگیهای نقاط را در نظر میگیرد و هم شکل قرار گرفتن آنها نسبت به یکدیگر را در نظر گرفته تا بتواند در حالات مختلف هویت را بدرستی تشخیص دهد.

 

بهینه سازی ساختار هدف در سیستم ردیابی حرکت مبتنی بر دوربین

1-1 سیستم ردیابی (Tracking system)

در سیستم ردیابی هدف با دوربین ساختار هدف بر دقت ردیابی بسیار تـاثیر دارد.در ایـن مقالـه روشـی جدیـد بـرای بهینه سـازی محـل قـرارگرفتن پنج نشانگر بر روی یک هدف قابل رویت برای  دوربین ارائه می گردد. تابع هدف پیشـنهادی بـرای جایـابی نشـانگرها برابـر بـا مجموع فاصله هر نشانگر از کلیه صفحات است. که از ترکیب سـه تایی های بوجـود آمـده از سـایر نشـانگرها تشـکیل می گـردد.

بـرای جلوگیری از متقارن شدن ساختار هدف که برچسب زنی نشانگرها را در تصـویر نـاممکن می سـازد، از یـک قیـد کـه تضـمین می کنـد اختلاف فاصله بین زوج نشانگرها از یک حداقل بیشتر شود، استفاده می نماییم. برای حداکثر کـردن تـابع هـدف پیشـنهادی بـا قیـد اشاره شده از الگوریتم ژنتیک استفاده شده است. نتایج تجربی حاصل از جایابی نشانگرها در هدف با استفاده از روش پیشنهادی (با اعمال و بدون اعمال قید) و سـایر روشهـا ارزیابی گردیدند. در سیستم (Tracking system) ردیابی این روشها به لحاظ:

  • خطای تخمین
  • وضعیت سه بعدی
  • سرعت ردیابی

در حضـور نـویز مـورد مقایسـه قـرار گرفتنـد. این نتایج کارایی روش پیشنهادی برای جایابی نشانگرها را تایید می نماید.

ردیـابی سـه بعدی بـا دوربین

در این مقالـه طراحـی بهینـه سـاختار هـدف در ردیـابی سـه بعدی بـا دوربین مورد تحقیق قرار گرفته است. برای این منظـور تـابع هـدفی جدید به نام DFP معرفی گردید. ایـن تـابع بـر اسـاس حـداکثرکردن مجموع فاصله هر نشانگر از تمام صفحاتی کـه توسـط سـه تایی های سایر نشانگرها تعریف میگردد، پیشنهاد گردیده اسـت. از آنجـاکـه هدف طراحی شده با روش DFPکمـی متقـارن بـود. بـا افـزودن قیـد عـدم تقـارن روش DFP مقیـد معرفـی شـد. کـه باعـث از بـین رفـتن تقارن هدف شـد. بـا اسـتفاده از شبیه سـازی در موتـور بـازی Unity هدف طراحی شده بـا روش DFP و DFP مقیـد بـا اهـداف طراحـی شده با روشهای تابع انـرژی (سـاده و مقیـد) و روش NS مقیـد از لحــاظ خطــای بــاز-تولیــد، خطــای تخمــین وضــعیت ســه بعدی و سرعت ردیابی مقایسه شدند.

 

بررسی عملكرد سیستمهای بازیابی تصاویر پزشكی بر اساس تحلیل ساختاریافته مطالعات اخیر

تصاویر پزشکی ساختار یافته

با توجه به مطالعات انجام گرفته در رابطه با تصاویر پزشکی میتوان گفت كه با به كارگیری

  • سیستم هـای تصـاویر پزشـكی
  • سیسـتم هـای پشتیبان تصمیم گیری
  • سیستمهای اطلاعاتی و ارتباطی بیمارستانی

می توان به كادر بالینی مراكز درمانی و بهداشتی بـرای ارائـه بهتر و مؤثرتر در خدمات و در امر تشخیص كمك كرد. از سوی دیگر این سیستم ها می توانند در حوزه آمـوزش و پـژوهش نیـز نقـش مهمی ایفا نمایند. هرچه سیستم های تصاویر پزشكی به سمت تخصصی تر شدن در حوزهای خاص برده شوند و با ویژگی هـای تصـاویر جدید طراحی شده باشند به همان نسبت در اهداف خود موفق تر خواهند بود.

تصاویر پزشکی به عنوان شكلي از مدرك كه ميتواند حجم قابل توجهي از اطلاعات را منتقل كند. به خصوص در حوزه پزشـكي از اهميت خاصي برخوردار است. ويژگي هاي متفاوت تصاوير و الگوريتم هاي مختلف جستجو در سيستمهاي بازيابي تصاوير پزشـكي و نبود مرجعي جهت ارزيابي كيفيت بازيابي هاي انجام شده، همه انجام يك تحليل ساختار يافته در حوزه سيسـتم هـاي بازيـابي تصـاوير پزشكي را ضروري مي نمايد. هدف از اين پژوهش تحليل ساختار يافته سيستم هاي بازيابي تصاوير پزشكي در مقالات بـين سـالهـاي2000 تا 2011 ميباشد.

در نتیجه:

با توجه به مطالعات انجام گرفته مي توان گفت كه با به كارگيري سيستم هـاي تصـاوير پزشـكي در كنـار سيسـتم هـاي پشتيبان تصميم گيري و ساير سيستم هاي اطلاعاتي و ارتباطي بيمارستاني ميتوان به كادر باليني مراكز درماني و بهداشتي بـراي ارائـه بهتر و مؤثرتر در خدمات و در امر تشخيص كمك كرد. از سوي ديگر اين سيستم ها مي توانند در حوزه آمـوزش و پـژوهش نيـز نقـش مهمي ايفا نمايند. هرچه سيستم هاي تصاوير پزشكي به سمت تخصصي تر شدن در حوزهاي خاص برده شوند. و با ويژگي هـاي تصـاوير جديد طراحي شده باشند به همان نسبت در اهداف خود موفق تر خواهند بود. 

بررسی محیط کشت ریزجلبک های بیودیزلی با استفاده از ماشین بینایی

ریز جلبک های بیودیزلی

ریزجلبک های بیودیزلی (سوخت سبز زیستی) چیست؟ یکی از عوامل مهم در رشد ریزجلبک ها مقدار نمک لازم برای تغذیه آنها است. طی این پژوهش، محیط کشت برای ریزجلبک نانوکلروپسیس، در غلظت های مختلف نمکی آماده شده است. و در هر شبانه روز میزان رشد ریزجلبکهای فعال به کمک فناوری ماشین بینایی بررسی گردید. در تحلیل سیستم رشد،

  • الگوریتم رگراسیون خطی ساده (باکمترین خطا)
  • رگراسیون خطی، پرسپنترون چندلایه
  • پردازش گوسین (با بیشترین خطا)

 که دارای ضرایب همبستگی بودند، نتایج خوبی را نشان دادند. همچنین سامانه توسط شبکه عصبی مصنوعی در محدوده ۴تا۲۰ نرون ارزیابی شد. بررسی داده ها نشان داد دیدگاه بیوسیستمی به کشت ریزجلبک به کمک پردازش تصویر ضمن دقت بالاتر و هزینه و وقت کمتر تخمین موفقیت آمیزی از روند رشد در غلظتهای مختلف نمکی در مقایسه با دیگر روشهای کنترل رشد به دست می دهد.

استرهای مونوالکیل اسیدهای چرب

بیودیزل به عنوان استرهای مونوالکیل اسیدهای چرب با زنجیرهای طولانی تعریف می شود. که از روغن گیاهی به دست می آید. عواملی که باعث شده ما بتوانیم از ریز جلبک به عنوان بستری برای تولید بیودیزل استفاده کنیم به دلیل آن است که از نقطه نظر علمی؛ ریزجلبکها به آسانی کشت داده می شوند، می تواند به آسانی رشد کنند. ریز جلبک ها می توانند از آبهای نامناسب برای بشر استفاده و تغذیه کنند. ریز جلبکها دوباره می توانند با استفاده از فتوسنتز و تغییر انرژی نور خورشید داخل انرژی شیمیایی حتی در طی چند روز کوتاه خودشان را دوباره تولید کنند. علاوه بر این آنها می توانند تقریباً هر جایی و با تعدادی مواد مغذی ساده،رشد پیدا کنند. همچنین سرعت رشد میتواند به وسیله افزودن مواد مغذی ویژه و هوای مناسب شتاب داده شود. لذابا توجه به مزیت های فوق از ریز جلبک ها می توان جهت تولید بیودیزل استفاده کرد. از ریزجلبک هایی مانند دونالیلا،کلرلا، اسپیرولینا، کریپتوکاندیدوم، کیلیندروتسا، ایزوکروسیس، ناننوچلروسیس، نئوکلرویس، نیتزسچیا، فائوداکتیلوم وفائوداکتیلومشیزوچیتریوم می توان برای تولید بیودیزل استفاده کرد.

بررسی شخصیت و خصوصیات فردی بر اساس دستنوشته فارسی با استفاده از درخت تصمیم

بررسی شخصیت با استفاده از درخت تصمیم (گرافولوژی)

گرافولوژی چه علمی است؟ علمی است که با مطالعه خط یک فرد، شخصیت و یا خلق و خوی و یا چگونگی روان او را می توان تشخیص داد. در این تحقیق، با اخذ دستخط و پرسشنامه شخصیتی MMPI از افراد مختلف یک پایگاه داده تشکیل شده است. ضمن استخراج ویژگی ها از دستخط، از درخت تصمیم به عنوان ابزار یادگیری ماشین جهت گروه بندی ویژگی ها استفاده شده است. سیستم پیاده سازی شده با دریافت نمونه دستخط روبش شده است. که  می تواند خصوصیات فردی نویسنده را پیش بینی نماید.

نمونه های مورد بررسی شامل ۱٤۰ آزمودنی در دوگروه مختلف است. این دو گروه عبارتند از :

  • ۷۰ نفر از مددجویان زندان شهر سمنان
  • ۷۰ نفر از دانشجویان مرکز علمی کاربردی جهاد دانشگاهی سمنان

 در راستای اخذ دستخط، یک نوشته ی واحد که متن آن از لحاظ تحریک احساسات خنثی و ضمنا ساده و روان باشد انتخاب شد. و از آزمودنی ها خواسته شد که از روی آن در یک کاغذ A4 بی خط بنویسند. برای تشخیص نهایی از درخت تصمیم استفاده شده است.برای راستی آزمایی نتایج درخت تصمیم، از خروجی های پرسشنامه MMPI کمک گرفته شد. که نتایج نویدبخشی به دست آمد.نتایج بررسی شخصیت با درخت تصمیم ویژگی های استخراج شده توسط الگوریتم پیشنهادی از %۸۷تا %۹٤ مطابقت با مشاهدات را نشان می دهد. نتایج تشخیص شخصیت حاصل از درخت تصمیم (گرافولوژی) دقت %٦۹ را در مقایسه با نتایج پرسشنامه شخصیتی MMPIحاصل داد.

بازشناسی پلاک خودرو با استفاده از یادگیری ژرف

یادگیری ژرف

در این مقاله، روشی بر اساس یادگیری ژرف برای برجسته کردن شناسه ها و خواندن پـلاک خودروهـای ایرانـی ارائـه شده است. پژوهش حاضر برای ارتقای تصویر و برجسته کردن تصویر پلاک است. که بجـای اسـتفاده از روشهـای متـداول ارتقـای تصـویر از شـبکه های عصبی همگشتی با ساختار رمزگذار-رمزگشا استفاده می گردد. شـبکه پیشـنهاد شـده می توانـد بـا یـادگیری تصـاویر پـلاک خـودرو در شرایط متنوع، شناسه های پلاک خودرو را برجسته نماید.پس از آن، شناسه های پـلاک از روی تصـویر دودویـی شـده بـا اسـتفاده از شبکه های عصبی بازگشتی و بدون نیاز به جداسازی شناسـه هـا، خوانـده می شـوند. ایـن کـار می توانـد خطـای ناشـی از ناحیـه بنـدی شناسه ها را تا حد زیادی کاهش دهد.

روش پیشنهادی برای بازشناسی پلاک خودرو در یک پایگـاه داده بـا ۴۰۰۰ تصـویر آزمـون بـه نرخ بازشناسی 94/19 درصد دقت نهایی رسیده است که این دقت در مقایسه با سایر روش ها قابل قبول می باشد.       

 یادگیری ماشین 

اگر بخواهیم از نظر زمانی روش پیشنهادی را ارزیـابی نمـاییم. ابتدا باید به این نکته توجـه کـردکـه روشهـای یـادگیری ماشـین بـر اســاس یــادگیری ژرف ماننــد مرجــع بــر روی پردازنــده های گرافیکــی آمــوزش میبیننــد. و بــه طــور ذاتــی روشهــای بلادرنگــی نمیباشـد. بنـابراین در کاربردهـای بلادرنـگ میبایسـت عـلاوه بـر کوچــک کــردن معمــاری شــبکه، فراینــد تخمــین شــبکه را بــر روی پردازنده های قدرتمندتر انجام داد.

شبکه های بازگشتی 

با این حال روش پیشنهادی هر چند که معمـاری بسـیار سـبکی دارد. اما از آنجا که بر روی پردازنده محاسباتی معمولی پیاده سازی و ارزیابی شده است. که از نظر زمانی شبکه بازگشتی بسیار پرهزینه میباشد، بنابراین برای عملی کـردن روشهـای مبتنـی بـر شـبکه های عصـبی ژرف، پیشـنهاد میشـود. کـه از پردازنـده های محاسـباتی پـر قدرتتری مانند پردازنده های گرافیکی استفاده شود. با توجه به این اگـر نیـاز باشـد کـه از روش 2 و یـا توکـار 1 که در کاربردهـای همـراه پیشنهادی و یا دیگر روشهای مبتنـی بـر یـادگیری ژرف کـه نیازمنـد توان محاسباتی بالا هستند. در سـطح کـلان اسـتفاده شـود، میتواند کاهش بعد و تغییر معمـاری شـبکه مقـدور نباشـد. در ایـن صـورت شــاید یکــی از راه کارهــای مناســب بــرای تــأمین پردازنــده در ایــن کاربردها، بهره گیری از سامانه های ابری محاسباتی باشد.

الگوریتمی تمام خودکار و مقاوم در برابر سایه، برای تخمین سرعت و ابعاد خودروها از روی تصاویر دوربین های نظارتی جاده

در این مقاله روشی قدرتمند و مقاوم به سایه برای تخمین سرعت و ابعاد خودروها بطور تمام خودکار، با استفاده از ویدئوی دوربین نظارتیِ جاده ارائه شده است. در روش پیشنهادی، در گام اول با بررسی چند قاب ابتدایی و با توجه به حرکت خودروها، مختصات نقاط محوشدگی و فاصله کانونی دوربین بدست می آید. سپس با شناسایی پیشزمینه و حذف سایه از آن، محدوده دقیق هر خودرو تعیین میشود و جعبه سه بُعدی محیطی برای هر خودرو تشکیل می گردد. پس از تصویر کردن خودرو بر صفحه فرضی جاده و حذف پرسپکتیو، ضریب متری (تبدیل پیکسل به متر) با توجه به ابعاد واقعی خودروی غالب محاسبه می شود. حذف پرسپکتیو و استفاده از ضریب متری، امکان تخمین سرعت و ابعاد خودروها در هر قاب را فراهم می کند. لیکن برای کاهش خطا با ردیابی هر خودرو این پارامترها در بازهای که خودرو در معرض دوربین قرار دارد، تجمیع شده و هیستوگرام هایی برای سرعت و
ابعاد هر خودرو تشکیل می شود. سپس بیشینهی این هیستوگرام ها، به عنوان مقادیر سرعت و ابعاد هر خودرو گزارش می شود. مقایسه نتایج روش پیشنهادی با روشهای دیگر بیانگر خطایک متر این روش است. به گونه ای که بیشترین خطا برای مجموعه های تست در تخمین سرعت برابر با ۱/۱۷ km/h و در تخمین ابعاد برابر با % ۲/۶ است.

شناسایی رفتارهای ناهنجار در تصاویر ویدئویی با استفاده از شبکه عصبی کانولوشنی

شناسایی رفتار ناهنجار ازلحاظ اهمیت یک ضرورت در سامانه های نظارت بصری تبدیل شده اسـت. همچنـین ایـن حـوزه بـه عنوان یک چالش در تحقیقات بینایی ماشین بدل شده اسـت. گرچـه تلاشهـای بسـیاری بـهمنظور رفـع ایـن مشـکل انجامشـده اسـت، امـا شناسایی رفتار در یک محیط واقعـی و غیرقابـل کنترل فاصـله معنـاداری تـا بـه بلـوغ رسـیدن آن وجـود دارد. مشـکل اصـلی ابهـام در تفاوت خصوصیات رفتار غیر نرمال و نرمال استکه تعریف آن معمولاً با توجه به زمینه پیشین تصاویر میتوانـد متفـاوت باشـد. در این مقاله یک سیستم شناسایی و موقعیت یابی رفتارهای ناهنجار در سکانس های ویدئویی ارائه شده اسـت. جنبـه کلیـدی ایـن روش درواقع ترکیب شبکه عصب یکانولوشنی زمان-مکانی دو بعدی و سه بعدی بـه منظور شناسـایی رفتـار غیـر نرمـال در فریم هـای متـوالی ویـدئویی اسـت. همچنـین از روش شناسـاگر  Features from Accelerated Segment Test (FAST)بـه منظور افـزایش ضـریب اطمینان در شناسایی موقعیت های موردنظر در تصاویر ورودی به مدل شبکه عصبی کانولوشنی بهره گرفته شده است. ایـن ویژگی هـا تنها از حجم پیکسل های دارای حرکت استخراج می شوند تـا بتواننـد هزینـه محاسـبه راکـاهش دهنـد. سـاختار مـدل شـبکه عصـبی کانولوشنی به ما اجازه استخراج ویژگی های زمان-مکانی که شامل استخراج ویژگی هایی با حرکات پیچیده نیز هست را می دهد. روش ارائه شده توسط مجموعه داده ی متداول کـه شـامل رفتارهـا و اعمـال ناهنجـار متفـاوت انسـانی در موقعیت هـای گونـاگون است، مورد آزمایش و ارزیابی قرار گرفته است. نتایج حاصل از آزمایش هـای مربوطـه نمایـانگر ایـن اسـت کـه سیسـتم ارائه شـده در مقایسه با بسـیاری از روش هـای متـداول پیشـین، عملکـرد بهتـری را دارد وکـارایی آن در شناسـایی رفتـار غیـر نرمـال در مقایسـه بـا روشهای قبلی بسیار رقابتی است.