التعلم العميق (CNN) للكشف عن البنية التحتية للطرق في مدينة الموصل القديمة باستخدام الصور الجوية عالية الدقة

المؤلفون

  • Mustafa Ismat Abdulrahman قسم تقنيات هندسة المساحة، الكلية التقنية الهندسية ، الجامعة التقنية الشمالية، كركوك، العراق. https://orcid.org/0009-0008-7689-502X
  • Muntadher Aidi Shareef قسم تقنيات هندسة المساحة، الكلية التقنية الهندسية ، الجامعة التقنية الشمالية، كركوك، العراق.
  • Alyaa Abbas Al-Attar الجامعة التقنية الشمالية، الموصل، العراق.

DOI:

https://doi.org/10.21123/bsj.2024.9449

الكلمات المفتاحية:

CNN، التعلم العميق، كشف الطرق، البنية التحتية للطرق، مدينة الموصل القديمة

الملخص

يعد رسم خرائط دقيقة للبنية التحتية للطرق من الصور الجوية أمرًا بالغ الأهمية لمختلف التطبيقات ولكنه يطرح تحديات عديدة بسبب تعقيد أنماط الطرق في الواقع الحقيقي. يبحث هذا البحث في تقنيات التعلم العميق لاستخراج الطرق بشكل الي من البيانات العامة. يتم تقييم العديد من بنى الشبكات العصبية التلافيفية (CNN) بما في ذلك الشبكة الطيفية المكانية الهجينة (HybridSN) التي تجمع بين للصور البصرية وبيانات الليدار. يتم تقييم النماذج على مجموعة بيانات من الصور الجوية الحضرية باستخدام علامات حقيقة أرضية مشتقة من تقنية الليدار. ويحقق HybridSN الذي يدمج كلاً من المعالجة الطيفية والمكانية أعلى أداء بدقة إجمالية تبلغ 96.9% و80.6% من التقاطع  بعد المعالجة اللاحقة. تتيح النمذجة المشتركة للإشارات متعددة الوسائط إمكانية تحديد أجزاء الطريق وتحديدها بدقة عالية. وبالمقارنة، فإن شبكات CNN التي تستفيد من السياق المكاني وحده تؤدي أداءً أسوأ مع أفضل دقة إجمالية تبلغ 95.4% بعد المعالجة اللاحقة. تظهر جميع النماذج أوجه قصور في استخراج شبكات الطرق المتماسكة . وهذا يدل على أهمية دمج البيانات الطيفية والمكانية ضمن أطر التعلم العميق لاستخراج الطرق. تسلط النتائج الضوء على الفرص المتاحة لتطوير أحدث الخرائط من خلال أجهزة الاستشعار الهجينة وتصميم بنى عصبية ذات وعي طوبولوجي أقوى. يقوم بالتحليل الآلي للبيانات الجوية متعددة الوسائط مع التعلم العميق والحفاظ على كفاءة قوائم جرد حديثة للبنية التحتية الحيوية للنقل على نطاق المدن.

المراجع

Jassim OA, Abed MJ, Saied ZH. Indoor/Outdoor Deep Learning Based Image Classification for Object Recognition Applications. Baghdad Sic J. 2023 Dec 5; 20(6 (Suppl.)): 2540. https://orcid.org/0009-0004-1607-2778

Abd Alsammed SM. Advanced GIS-based multi-function support system for identifying the best route. Baghdad Sic J. 2022 Jun 1; 19(3): 0631. https://doi.org/10.21123/bsj.2022.19.3.0631

Kadhim MA, Abed MH. Convolutional Neural Network for Satellite Image Classification. Intelligent Information and Database Systems: Recent Developments. 2020; 11: 165-178. https://doi.org/10.1007/978-3-030-14132-5_13

Zeng Y, Guo Y, Li J. Recognition and extraction of high-resolution satellite remote sensing image buildings based on deep learning. Neural Comput Appl. Feb 2022; 34(4): 2691-2706. https://doi.org/10.1007/s00521-021-06027-1

Shareef MA, Toumi A, Khenchaf A. Estimation of water quality parameters using the regression model with fuzzy k-means clustering. Int J Adv Comput Sci Appl. 2014; 5(6) : 151-157.

https://doi.org/10.14569/IJACSA.2014.050624

Keshk H, Yin X. Classification of EgyptSat-1 Images Using Deep Learning Methods. Int J Sens Wirel Commun Control. Feb 2020; 10: 37-46. https://doi.org/10.2174/2210327909666190207153858

Yu Y, Gong Z, Zhong P. An Unsupervised Convolutional Feature Fusion Network for Deep Representation of Remote Sensing Images. IEEE Trans Geosci Remote Sens. Dec 2017; 15: 23-27. https://doi.org/10.1109/LGRS.2017.2767626

Shareef MA, Ameen MH, Ajaj QM. Change detection and GIS-based fuzzy AHP to evaluate the degradation and reclamation land of Tikrit City Iraq. Geodesy Cartogr. Dec 2020; 46(4): 194-203. https://doi.org/10.3846/gac.2020.11616

Dai J, Du Y, Zhu T, Wang Y, Gao L. Multiscale Residual Convolution Neural Network and Sector Descriptor-Based Road Detection Method. IEEE Access. Nov 2019; 7: 173377-173392. https://doi.org/10.1109/ACCESS.2019.2956725

Wei Y, Zhang K, Ji S. Simultaneous Road Surface and Centerline Extraction From Large-Scale Remote Sensing Images Using CNN-Based Segmentation and Tracing. IEEE Trans Geosci Remote Sens. May 2020; 58(12): 8919-8931. https://doi.org/10.1109/TGRS.2020.2991733

Lu X, Zhong Y, Zheng Z, Liu Y, Zhao J, Ma A, et al. Multi-Scale and Multi-Task Deep Learning Framework for Automatic Road Extraction. IEEE Trans Geosci Remote Sens. Aug 2019; 57(11): 9362-9377. https://doi.org/10.1109/TGRS.2019.2926397

Han X, Lu J, Zhao C, You S, Li H. Semisupervised and akly Supervised Road Detection Based on Generative Adversarial Networks. IEEE Signal Process. Lett. Feb. 2018; 25(4): 551-555. https://doi.org/10.1109/LSP.2018.2809685

Li X, Wang Y, Zhang L, Liu S, Mei J, Li Y. Topology-Enhanced Urban Road Extraction via a Geographic Feature-Enhanced Network. IEEE Trans Geosci Remote Sens.May 2020; 58(12): 8819-8830. https://doi.org/10.1109/TGRS.2020.2991006

Sofla R, Alipour-Fard T, Arefi H. Road extraction from satellite and aerial image using SE-Unet. J Appl Remote Sens. . Jan 2021; 15(1): 014512 – 014512. https://doi.org/10.1117/1.JRS.15.014512

Fan R, Bocus MJ, Zhu Y, Jiao J, Wang L, Ma F, Cheng S, Liu M. Road crack detection using deep convolutional neural network and adaptive thresholding. In2019 IEEE Intelligent Vehicles Symposium (IV) 2019 Jun 9 (pp. 474-479). https://doi.org/10.1109/IVS.2019.8814000

Shi Q, Liu X, Li X. Road detection from remote sensing images by generative adversarial networks. IEEE access. 2017 Nov 13; 6: 25486-94.https://doi.org/10.1109/ACCESS.2017.2773142

التنزيلات

إصدار

القسم

article

كيفية الاقتباس

1.
التعلم العميق (CNN) للكشف عن البنية التحتية للطرق في مدينة الموصل القديمة باستخدام الصور الجوية عالية الدقة. Baghdad Sci.J [انترنت]. [وثق 7 نوفمبر، 2024];22(5). موجود في: https://bsj.uobaghdad.edu.iq/index.php/BSJ/article/view/9449