کاهش اثر سایه در تصاویر پهپاد با استفاده از شبکه عصبی عمیق U-Net

وجود سایه در تصاویر پهپادی سبب بروز اعوجاج‌های بصری و پرتوی می‌شود که صحت استخراج ویژگی‌ها، طبقه‌بندی و بازسازی سه‌بعدی را به‌طور قابل‌توجهی کاهش می‌دهد. این پژوهش با هدف کاهش اثرات سایه، چارچوبی مبتنی بر یادگیری عمیق را برای تصحیح سایه در تصاویر پهپادی ارائه می‌کند که در آن از معماری شبکه عصبی کانولوشنی U-Net سفارشی‌سازی‌شده استفاده شده است. مدل پیشنهادی با ۳۲۰ جفت تصویر دارای سایه و بدون سایه آموزش داده شد و داده‌ها پیش از آموزش به بازه‌ی [۰،۱] نرمال‌سازی گردیدند و عملکرد مدل با استفاده از شاخص‌های ریشه میانگین مربعات خطا (RMSE)، نسبت بیشینه سیگنال به نویز (PSNR) و شاخص شباهت ساختاری (SSIM) بر روی مجموعه آزمون ارزیابی شد. به‌منظور بهینه‌سازی فرآیند یادگیری، از بهینه‌ساز ADAM و تابع خطای میانگین قدرمطلق (MAE) استفاده شده است. نتایج کمی حاصل از شاخص‌های RMSE و PSNR نشان داد که مدل پیشنهادی توانسته است به مقدار RMSE برابر با 0404/0 در مقیاس نرمال‌شده [0،1] (معادل 31/10 در مقیاس 8 بیتی [0،255]) و PSNR برابر با 87/27 دسی‌بل دست یابد که بیانگر بازسازی دقیق نواحی سایه‌دار همراه با حفظ ساختارهای بافتی و هندسی تصویر است. ارزیابی کیفی نیز نشان داد که مدل در تصاویر با جزئیات بالا عملکردی پایدار ارائه داده و از بروز آرتیفکت‌های محسوس جلوگیری می‌کند. به‌طور کلی، به‌کارگیری معماری‌های عمیق کانولوشنی در فرایند پیش‌پردازش تصاویر پهپادی می‌تواند یکنواختی پرتوی و قابلیت اعتماد تحلیلی داده‌های فتوگرامتری را به‌طور معناداری بهبود بخشد.