در دندانپزشکی قانونی، تخمین سن با استفاده از رادیوگراف دندان صورت میگیرد. هدف ما، خودکارکردن این مراحل با استفاده از پردازش تصویر و تکنیکهای تشخیص الگو است. با داشتن رادیوگراف دندان، کانتور استخراج شده و ویژگیهایی مانند عرض اپکس (apex) و طول دندان از آن استخراج میش چکیده کامل
در دندانپزشکی قانونی، تخمین سن با استفاده از رادیوگراف دندان صورت میگیرد. هدف ما، خودکارکردن این مراحل با استفاده از پردازش تصویر و تکنیکهای تشخیص الگو است. با داشتن رادیوگراف دندان، کانتور استخراج شده و ویژگیهایی مانند عرض اپکس (apex) و طول دندان از آن استخراج میشود که در تخمین سن مورد استفاده قرار میگیرد. افزایش بهینه وضوح تصاویر رادیوگرافی، مرحله مهمی در استخراج کانتور و تخمین سن است. در این مقاله، هدف بهبود وضوح تصویر به منظور استخراج ناحیه مناسب و قطعهبندی مناسب دندان است که در نتیجه منجر به تخمین سن بهتری میشود. در این مدل، به دلیل پایینبودن وضوح تصاویر رادیوگراف، به منظور افزایش دقت استخراج ناحیه مورد نظر هر دندان (ROI)، وضوح تصویر با استفاده از آنتروپی مکانی که مبتنی بر توزیع مکانی شدت روشنایی پیکسلهاست، به همراه روشهای افزایش وضوح دیگر مانند هرمهای لاپلاسین، افزایش مییابد. افزایش وضوح تصویر، منجر به استخراج ROI مناسب و حذف نواحی ناخواسته میشود. پایگاه داده مورد استفاده در این پژوهش، 154 رادیوگراف پانورامیک نوجوانان است که 73 نفر آن مرد و 81 نفر آن زن هستند. این پایگاه داده از دانشگاه علوم پزشکی بابل تهیه شده است. نتایج نشان میدهد با استفاده از روشهای قطعهبندی دندان ثابت و فقط با اعمال روش پیشنهادی مؤثر در بهبود وضوح تصویر، استخراج ROI مناسب از 66% به 78% افزایش یافت که بهبود خوبی را نشان میدهد. سپس ROI استخراجشده، تحویل بلوک قطعهبندی و استخراج کانتور میشود و پس از استخراج کانتور، تخمین سن صورت میگیرد. تخمین سن صورتگرفته با استفاده از روش پیشنهادی، در مقایسه با روشی که از الگوریتم پیشنهادی در افزایش وضوح تصویر استفاده نمیکند، به مقدار تخمین دستی سن نزدیکتر است.
پرونده مقاله
مقابله با آتشسوزی جنگلها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگیهای آتش و دود از تصاویر بصری پهپاد برای دستهبندی، تشخیص شیء و قطعهبندی تصاویر است. از آنجا که جنگلها محی چکیده کامل
مقابله با آتشسوزی جنگلها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگیهای آتش و دود از تصاویر بصری پهپاد برای دستهبندی، تشخیص شیء و قطعهبندی تصاویر است. از آنجا که جنگلها محیطهای بسیار پیچیده و غیر ساختاری هستند، استفاده از سیستم بینایی همچنان با مشکلاتی نظیر شباهت ویژگیهای شعله با نور خورشید، گیاهان و حیوانات و یا پوشش شعله با دود مواجه است که باعث هشدارهای اشتباه میشوند. روش پیشنهادی در این تحقیق، استفاده از شبکههای عصبی کانولوشنی از روشهای یادگیری عمیق است که به صورت خودکار، توانایی استخراج یا تولید ویژگی در لایههای مختلف خود را دارند. ابتدا به جمعآوری داده و افزایش آنها با توجه به روشهای دادهافزایی پرداخته شده و در ادامه، استفاده از یک شبکه ۱۲ لایه برای دستهبندی و همچنین روش یادگیری انتقالی برای قطعهبندی تصاویر پیشنهاد میشود. نتایج به دست آمده نشان میدهند که روش دادهافزایی به کار برده شده با توجه به تغییر اندازه و آمادهسازی تصاویر ورودی به شبکه از کاهش شدید ویژگیهای موجود در تصاویر اولیه جلوگیری کرده و همچنین شبکههای عصبی کانولوشنی مورد استفاده میتوانند به خوبی ویژگیهای آتش و دود موجود در تصاویر را استخراج کنند و نهایتاً به تشخیص و محلیسازی آنها بپردازند.
پرونده مقاله
تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در چکیده کامل
تشخيص وسايل نقليه و رديابی آن، نقش مهمی در اتومبیلهای خودران و سيستمهاي حملونقل هوشمند ايفا میکند. شرايط آبوهوايی نامساعد مانند حضور برف سنگين، مه، باران و گرد و غبار با کاهش ديد دوربين، محدوديتهاي خطرناکی ايجاد کرده و بر عملکرد الگوريتمهاي تشخيصی استفادهشده در سيستمهاي نظارت بر ترافيک و برنامههاي رانندگی خودکار تأثير میگذارد. در این مقاله از شبکه عمیق تشخیص اشیای Faster RCNN با هسته 50ResNet و شبکه RetinaNet استفاده شده و دقت این دو شبکه جهت تشخیص خودرو در آبوهوای نامساعد مورد بررسی قرار میگیرد. پایگاه داده مورد استفاده، فایل DAWN میباشد که شامل تصاویر دنیای واقعی است و با انواع مختلفی از شرایط آبوهوایی نامطلوب جمعآوری شدهاند. نتایج بهدستآمده نشان میدهند که روش ارائهشده در بهترین حالت، دقت تشخیص را از %2/0 به %75 افزایش داده و بیشترین میزان افزایش دقت نیز مربوط به شرایط بارانی میباشد. تمام پردازشها به زبان پایتون و در گوگل کولب انجام شده است.
پرونده مقاله