728

پ ب م88

صافي، محمد هادي

كارشناسي ارشد

مخابرات

دانشگاه صنعتي قم

دانشكده برق و كامپيوتر

1399

گروه مخابرات

رجبي، روزبه

امروزه بيشتر تصادفات جاد هاي در اثر عدم توجه رانندگان به علئم راهنمايي و رانندگي رخ م يدهد. به همين دليل در سال هاي اخير توجه زيادي به هوشمند سازي خودروها و ايجاد سسيتمي كه بتواند به طور خودكار علئم راهنمايي و رانندگي را تشخيص داده و به رانندگان هشدار لازم را بدهد، شده است. رو شهاي زيادي براي ايجاد اين سيستمها پيشنهاد شده است. از جمله اين رو شها ميتوان به رو شهاي مبتني بر يادگيري ماشين اشاره كرد. در اين رو شها ابتدا ويژگ يهايي توسط فرد استخراج ميشود و سپس به طبق هبند داده م يشود تا تصاوير را طبق هبندي كند. از معايب اين روش م يتوان مشكل بودن تشخيص ويژگ يهاي موثر كه باعث تمايز بين تصاوير شود اشاره كرد. اخيرا، مد لهاي يادگيري عميق به عنوان روشي كه خود ويژگ يهاي موثر را پيدا كرده و طبق هبندي را نيز انجام م يدهد، براي تشخيص و طبقه بندي تصاوير به كار گرفته م يشوند. مدلهاي يادگيري عميق نياز به سختافزار مناسب و همچنين حجم داده زياد دارن د. در اين پژوهش، در مرحله تشخيص از روش MSER استفاده شده است و با استفاده از شبكه عصبي كانولوشنال ) CNN (، شبكه موبايل نت ) MobileNetV2 ( كه يك شبكه با تعداد پارامترهاي كمتر و وزن كمتر نسبت به شبك ههاي ديگر از جمله الكس ن ت ) AlexNet ( و گوگ لنت) GoogleNet ( م يباشد و مجموعه داده علئم راهنمايي و رانندگي كشور آلمان به عنوان پايگاه داده، روشي براي بازشناسي علئم راهنمايي و رانندگي ارائه شده است. شبكه به دقت يادگيري 99.90 درصد و دقت بازشناسي 99.41 درصد رسيده است. تعداد متغيرهاي آموزش شبكه طراحي شده 2.295.627 و مدت زمان آموزش آن 8 ساعت است كه در مقايسه با ساير روش نتيجه بهتري حاصل شده است. واژگان كليدي: بازشناسي، شبكه عصبي، علائم ترافيكي، موبايل نت، يادگيري عميق