بهار و تابستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
عرفان عبدی1 
، رسول جانی*2 ، صابره دربندی1
، رسول جانی*2 ، صابره دربندی1
1- دانشکده کشاورزی-دانشگاه تبریز
2- مرکز تحقیقات رباتیک و فناوری های نرم، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2- مرکز تحقیقات رباتیک و فناوری های نرم، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
چکیده: (166 مشاهده)
چکیده مبسوط
مقدمه و هدف: مطالعه و پایش سطح آب رودخانهها و مسیلها توسط وزارت نیرو و سازمانهای ذیربط بخش مهمی از مدیریت منابع آب در حوضه آبریز است. از طرفی اندازه گیری سطح آب یک کار حیاتی در پایش هیدرولوژیکی می باشد، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مواجه می باشد. این محدودیت‌ها اغلب منجر به تأخیر در اندازه‌گیری‌ها و عدم دقت بالقوه، به‌ویژه در محیط‌های دور یا سخت میشود. به طور کلی اکثر روش های سنتی دارای خطاها و هزینه های قابل توجهی هستند و تقریبا پایش و کنترل به طور پیوسته را ناممکن میسازند. پیشرفت های اخیر در فناوری منجر به تغییر الگو به سمت سیستم های پردازش تصویر برای نظارت بر سطح آب شده است. این روش‌های غیر تماسی به دلیل پتانسیل بالا از نظر دقت، قابلیت اطمینان، مقرون‌به‌صرفه بودن و کاهش زمان مورد نیاز، مورد توجه قرار گرفته‌اند. در این تحقیق با ارائه رویکردی جدید از تلفیق پردازش تصویر و یادگیری ماشین سعی شده است از حداقل امکانات برای کاهش هزینه ها و افزایش عملکرد برای استخراج شاخص های سطح آب واسنجی شده و سطح آب به صورت لحظه ای و خودکار اندازه گیری گردد. این رویکرد مبتنی بر ایجاد مجموعه‌ای از تصاویر گیج ثبت شده توسط گوشی هوشمند (که یک دستگاه معمولی با دسترسی آسان است) برای حالت های آب شفاف و کدر، برای آموزش مدل‌های مبتنی بر یادگیری ماشین ایجاد شده است. این روش برخلاف روش های سنتی با اندازه گیری لحظه ای و پیوسته سطح آب، موجب عملکر مطلوب سیستم های آبرسانی و مدیریت بهتر مواقع بحرانی مانند سیل، طغیان رودها و فرسایش می گردد.
مواد و روشها: این مقاله با ارزیابی یک سیستم تشخیص سطح آب مبتنی بر تصویر با استفاده از یک دوربین گوشی هوشمند استاندارد به این تحقیق رو به رشد کمک می‌کند. الگوریتم های پردازش تصویر RGB در این تحقیق شامل فیلتر کردن، کاهش نویز، تشخیص رنگ، تغییر اندازه، تبدیل مقیاس خاکستری، تشخیص و تبدیل Hough و طرح ریزی برای به دست آوردن کاراکترهای دیجیتال و خط کش آب که فقط شامل مساحت خطوط مقیاس است استفاده شد. همچنین تمام مراحل ذکر شده و مراحل مدلسازی در نرم افزار مثمتیکا (Mathematica) انجام شده است. دادههای تجربی شامل 244 داده مشاهده ای است که به صورت تصادفی 201 تصویر داده آموزشی و 43 تصویر داده آزمایشی در نظر گرفته شد که توسط دوربین تلفن همراه با موقعیت ثابت تصویر برداری شده است. با توجه به قابلیت‌های مدل‌های مختلف یادگیری ماشین، از جمله شبکه‌های عصبی مصنوعی (ANN) و یادگیری عمیق (DL) در پردازش و تحلیل تصویر، بر روی این مدلها برای تخمین دقیق سطح آب تمرکز شد. این مطالعه شامل گرفتن تصاویر سطح آب، شناسایی لبه آب در یک خط کش اندازه گیری، و استفاده از این مدل ها برای تخمین سطح آب است. یادگیری ماشین، شاخه ای از هوش مصنوعی، با هدف توسعه سیستمهای کامپیوتری با ظرفیت یادگیری از داده ها می باشد که این فرآیند شامل رایانه هایی با یادگیری از طریق تجربه عملی، شروع با سازماندهی داده ها، انتخاب الگوریتم یادگیری ماشینی، وارد کردن دادهها، و توانمندسازی مدل برای یادگیری مستقل الگوها یا تولید پیشبینی، توانایی خودبرنامه ریزی را به دست می آورند. به طور کلی، تجزیه و تحلیل مقایسه ای عملکرد این مدلها با هدف نشان دادن پتانسیل ترکیب پردازش تصویر و یادگیری ماشین در غلبه بر موانع سنتی اندازه گیری سطح آب در مطالعات هیدرولوژیکی است.
یافتهها: نتایج مدل با استفاده از سه معیار ارزیابی ضرایب تعیین (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب توافق نش- ساتکلیف (NSE) و نمودار های بصری مورد ارزیابی قرار گرفت. در این تحقیق از دو مدل شبکه عصبی مصنوعی (ANN) و یادگیری عمیق (DL) که زیر مجموعه هایی از مدل های یادگیری ماشین می باشد برای تخمین سطح آب در شرایط گل آلود و شفاف به همراه پردازش تصویر استفاده شد. نتایج نشان داد مدل یادگیری عمیق در هر دو شرایط عملکرد قابل قبول و همچنین با توجه به بررسی شاخصهای ارزیابی، مدل یادگیری عمیق با کمترین خطای 28/39 میلی متر و بیشترین ضریب تعیین 0/973 به عنوان بهترین مدل برای برآورد سطح آب انتخاب شد. از این رو با توجه به عملکرد مدل یادگیری عمیق، میتوان فرایند بررسی و پایش سطح آب را علاوه بر آزمایشگاه ها در مکان های صعب العبور و بدون هزینه های زیاد جهت اندازه گیری به طور خودکار و پیوسته بررسی نموده و با اتخاذ تصمیمات درست از حوادث احتمالی جلوگیری کرد.
نتیجهگیری: با توجه به مشکلات اندازه گیری دستی و پایش میدانی، پایش خودکار و مستمر سطح آب توسط انسان دشوار و حتی غیرممکن میشود. با وجود این موانع، امروزه علاقه محققان به سیستم های پردازش تصویر با پیشرفت تکنولوژی افزایش یافته است. با توجه به کارهای انجام شده برای تشخیص و برآورد سطح آب، امروزه اکثر روش ها به سمت دستیابی به حداکثر بازده با حداقل امکانات پیش می روند. در نهایت، دو روش برای استخراج اطلاعات از تصاویر دیجیتال برای سیستمهای پایش سطح آب مقایسه میشود. تکنیک های ترکیبی برای تشخیص سطح آب در تصاویر شفاف و گل آلود بر اساس ارزیابی بصری و دقت آماری مقایسه شد. بر اساس نتایج تجربی، این تکنیک ها و مدل ها همگی قادر به استخراج اطلاعات سطح آب از تصویر بودند. تکنیک پردازش تصویر و مدل یادگیری عمیق برای تشخیص و تخمین ویژگی های سطح آب از تصاویری که شامل دو حالت کدر و شفاف در سه سطح ارتفاع کم، متوسط و زیاد است، نتایج قابل قبول و کارایی بالایی داشت. با توجه به پیشرفت های روز افزون در زمینه پردازش تصاویر و یادگیری ماشین، تحقیقات آینده میتواند افزودن حالت های مختلف آب و ایجاد مدل هایی بر پایه ی الگوریتم های جدید یادگیری ماشین و هوش مصنوعی باشد.
مقدمه و هدف: مطالعه و پایش سطح آب رودخانهها و مسیلها توسط وزارت نیرو و سازمانهای ذیربط بخش مهمی از مدیریت منابع آب در حوضه آبریز است. از طرفی اندازه گیری سطح آب یک کار حیاتی در پایش هیدرولوژیکی می باشد، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مواجه می باشد. این محدودیت‌ها اغلب منجر به تأخیر در اندازه‌گیری‌ها و عدم دقت بالقوه، به‌ویژه در محیط‌های دور یا سخت میشود. به طور کلی اکثر روش های سنتی دارای خطاها و هزینه های قابل توجهی هستند و تقریبا پایش و کنترل به طور پیوسته را ناممکن میسازند. پیشرفت های اخیر در فناوری منجر به تغییر الگو به سمت سیستم های پردازش تصویر برای نظارت بر سطح آب شده است. این روش‌های غیر تماسی به دلیل پتانسیل بالا از نظر دقت، قابلیت اطمینان، مقرون‌به‌صرفه بودن و کاهش زمان مورد نیاز، مورد توجه قرار گرفته‌اند. در این تحقیق با ارائه رویکردی جدید از تلفیق پردازش تصویر و یادگیری ماشین سعی شده است از حداقل امکانات برای کاهش هزینه ها و افزایش عملکرد برای استخراج شاخص های سطح آب واسنجی شده و سطح آب به صورت لحظه ای و خودکار اندازه گیری گردد. این رویکرد مبتنی بر ایجاد مجموعه‌ای از تصاویر گیج ثبت شده توسط گوشی هوشمند (که یک دستگاه معمولی با دسترسی آسان است) برای حالت های آب شفاف و کدر، برای آموزش مدل‌های مبتنی بر یادگیری ماشین ایجاد شده است. این روش برخلاف روش های سنتی با اندازه گیری لحظه ای و پیوسته سطح آب، موجب عملکر مطلوب سیستم های آبرسانی و مدیریت بهتر مواقع بحرانی مانند سیل، طغیان رودها و فرسایش می گردد.
مواد و روشها: این مقاله با ارزیابی یک سیستم تشخیص سطح آب مبتنی بر تصویر با استفاده از یک دوربین گوشی هوشمند استاندارد به این تحقیق رو به رشد کمک می‌کند. الگوریتم های پردازش تصویر RGB در این تحقیق شامل فیلتر کردن، کاهش نویز، تشخیص رنگ، تغییر اندازه، تبدیل مقیاس خاکستری، تشخیص و تبدیل Hough و طرح ریزی برای به دست آوردن کاراکترهای دیجیتال و خط کش آب که فقط شامل مساحت خطوط مقیاس است استفاده شد. همچنین تمام مراحل ذکر شده و مراحل مدلسازی در نرم افزار مثمتیکا (Mathematica) انجام شده است. دادههای تجربی شامل 244 داده مشاهده ای است که به صورت تصادفی 201 تصویر داده آموزشی و 43 تصویر داده آزمایشی در نظر گرفته شد که توسط دوربین تلفن همراه با موقعیت ثابت تصویر برداری شده است. با توجه به قابلیت‌های مدل‌های مختلف یادگیری ماشین، از جمله شبکه‌های عصبی مصنوعی (ANN) و یادگیری عمیق (DL) در پردازش و تحلیل تصویر، بر روی این مدلها برای تخمین دقیق سطح آب تمرکز شد. این مطالعه شامل گرفتن تصاویر سطح آب، شناسایی لبه آب در یک خط کش اندازه گیری، و استفاده از این مدل ها برای تخمین سطح آب است. یادگیری ماشین، شاخه ای از هوش مصنوعی، با هدف توسعه سیستمهای کامپیوتری با ظرفیت یادگیری از داده ها می باشد که این فرآیند شامل رایانه هایی با یادگیری از طریق تجربه عملی، شروع با سازماندهی داده ها، انتخاب الگوریتم یادگیری ماشینی، وارد کردن دادهها، و توانمندسازی مدل برای یادگیری مستقل الگوها یا تولید پیشبینی، توانایی خودبرنامه ریزی را به دست می آورند. به طور کلی، تجزیه و تحلیل مقایسه ای عملکرد این مدلها با هدف نشان دادن پتانسیل ترکیب پردازش تصویر و یادگیری ماشین در غلبه بر موانع سنتی اندازه گیری سطح آب در مطالعات هیدرولوژیکی است.
یافتهها: نتایج مدل با استفاده از سه معیار ارزیابی ضرایب تعیین (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب توافق نش- ساتکلیف (NSE) و نمودار های بصری مورد ارزیابی قرار گرفت. در این تحقیق از دو مدل شبکه عصبی مصنوعی (ANN) و یادگیری عمیق (DL) که زیر مجموعه هایی از مدل های یادگیری ماشین می باشد برای تخمین سطح آب در شرایط گل آلود و شفاف به همراه پردازش تصویر استفاده شد. نتایج نشان داد مدل یادگیری عمیق در هر دو شرایط عملکرد قابل قبول و همچنین با توجه به بررسی شاخصهای ارزیابی، مدل یادگیری عمیق با کمترین خطای 28/39 میلی متر و بیشترین ضریب تعیین 0/973 به عنوان بهترین مدل برای برآورد سطح آب انتخاب شد. از این رو با توجه به عملکرد مدل یادگیری عمیق، میتوان فرایند بررسی و پایش سطح آب را علاوه بر آزمایشگاه ها در مکان های صعب العبور و بدون هزینه های زیاد جهت اندازه گیری به طور خودکار و پیوسته بررسی نموده و با اتخاذ تصمیمات درست از حوادث احتمالی جلوگیری کرد.
نتیجهگیری: با توجه به مشکلات اندازه گیری دستی و پایش میدانی، پایش خودکار و مستمر سطح آب توسط انسان دشوار و حتی غیرممکن میشود. با وجود این موانع، امروزه علاقه محققان به سیستم های پردازش تصویر با پیشرفت تکنولوژی افزایش یافته است. با توجه به کارهای انجام شده برای تشخیص و برآورد سطح آب، امروزه اکثر روش ها به سمت دستیابی به حداکثر بازده با حداقل امکانات پیش می روند. در نهایت، دو روش برای استخراج اطلاعات از تصاویر دیجیتال برای سیستمهای پایش سطح آب مقایسه میشود. تکنیک های ترکیبی برای تشخیص سطح آب در تصاویر شفاف و گل آلود بر اساس ارزیابی بصری و دقت آماری مقایسه شد. بر اساس نتایج تجربی، این تکنیک ها و مدل ها همگی قادر به استخراج اطلاعات سطح آب از تصویر بودند. تکنیک پردازش تصویر و مدل یادگیری عمیق برای تشخیص و تخمین ویژگی های سطح آب از تصاویری که شامل دو حالت کدر و شفاف در سه سطح ارتفاع کم، متوسط و زیاد است، نتایج قابل قبول و کارایی بالایی داشت. با توجه به پیشرفت های روز افزون در زمینه پردازش تصاویر و یادگیری ماشین، تحقیقات آینده میتواند افزودن حالت های مختلف آب و ایجاد مدل هایی بر پایه ی الگوریتم های جدید یادگیری ماشین و هوش مصنوعی باشد.
نوع مطالعه: كاربردي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1402/11/9 | پذیرش: 1403/3/21
دریافت: 1402/11/9 | پذیرش: 1403/3/21
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
