تشخیص عیوب لوله (مقاله رایگان pdf)

چکیده

          این مقاله یک الگوریتم موثر برای شناسایی و تشخیص نقص در لوله‌های صنعتی ارائه می‌کند. در خیلی از صنایع، روش‌های تشخیص نقص معمولا توسط نیروی انسانی با تجربه که نقص را با الگوهای دستی شناسایی می‌کنند انجام می‌شود. بااین‌حال، روش‌های تشخیص بسیار گران و وقت‌گیر هستند. برای غلبه بر این مشکلات، یک روش برای تشخیص خودکار و موثر نقص در لوله‌های صنعتی بر اساس پردازش تصویر معرفی شده است. اگر چه اغلب روش‌های مبتنی بر تصویر بر روی دقت تشخیص خطا تمرکز دارند، زمان محاسبه برای کاربردهای عملی بسیار مهم است. الگوریتم پیشنهادی شامل سه مرحله است. در گام اول، تصویر RGB از لوله را به یک تصویر سیاه و سفید تبدیل می‌کند و لبه‌ها را با استفاده از روش گرادیان سوبل مشخص می‌کند، و بعد از آن اشیا نامطلوب را بنا به اندازه آنها حذف می‌کند. در مرحله دوم، ابعاد لوله را مشخص می‌کند و در نهایت این الگوریتم نقص را به‌عنوان مثال، حفره‌ها و ترک در لوله براساس ویژگی‌های آنها را شناسایی و تشخیص می‌دهد. آزمایشات بر روی انواع لوله‌ها بااستفاده از الگوریتم انجام شده است و نتایج نشان می‌دهد که دقت نرخ شناسایی حدود 96٪ در تشخیص سوراخ و 93٪ در تشخیص ترک است.

تشخیص عمق لبه (مقاله رایگان pdf)

چکیده

           از آنجا که فن‌آوری اندازه‌گیری سه بعدی به‌طورگسترده در صنایع تولیدی تشخیص لبه در یک تصویر عمق استفاده شده‌اند بنابراین نقش مهمی در برنامه‌های کاربردی بینایی کامپیوتر دارند. در این مقاله، یک فرآیند تشخیص لبه در یک تصویر عمق براساس عملیات هموار کردن و مورفولوژیکی پیشنهاد شده است. در این روش از اصل فیلتر میانه، که دارای یکی از ویژگی‌های مشهور برای حفظ خواص لبه است استفاده کرده‌ایم. تشخیص لبه براساس اصل تشخیص لبه canny انجام شده است و با عملیات مورفولوژیکی به سرانجام رسیده است، که به‌عنوان ترکیبی از erosion و dilation نشان داده شده است. سپس، نتایج حاصل را با برخی از روش‌های موجود مقایسه کرده و نشان دادیم که این روش نتایج بهتری تولید می‌کند. اما، این روش در برنامه‌های کاربردی چند فریمی با نرخ فریم موثر کار می‌کند. بنابراین این روش به تشخیص عمق لبه در تصاویر و ترویج برنامه‌های کاربردی در تشخیص عمق تصاویر مانند تشخیص شی، تقسیم‌بندی جسم و غیره کمک خواهد کرد.

طبقه‌ بندی عمیق تصویر (مقاله رایگان pdf)

چکیده

          در این مقاله که یک شبکه عصبی کانولوشن عمیق جدید (CNN) که عمیق‌تر و گسترده‎‌تر از شبکه‌های عمیق موجود برای طبقه‌بندی تصویر Hyperspectral است ارائه شده است. برخلاف روش‌های فعلی پیشرفته در طبقه‌بندی تصویر Hyperspectral مبتنی بر CNN، شبکه پیشنهاد شده به نام CNN عمیق متنی، می‌تواند به‌طور مطلوب تعاملات متقابل محتوا را با بهره‌برداری از روابط فضایی-طیفی محلی از بردارهای پیکسل همسایه، بررسی کند. بهره‌برداری مشترک اطلاعات spatio-spectral توسط فیلترکانولوشن چند مقیاسی که به عنوان جزء اولیه خط لوله پیشنهادی CNN مورد استفاده قرار می‌گیرد، به دست می‌آید. ویژگی‌های اولیه فضایی و طیفی نگاشت‌های حاصل از فیلترکانولوشن چند مقیاسی را با هم ترکیب می کنند تا یک ویژگی مشترک فضایی طیفی ایجاد کنند. ویژگی مشترک نشان‌دهنده ویژگی‌های طیفی و فضایی غنی از تصویر Hyperspectral است و سپس از طریق یک شبکه کاملا متقارن تغذیه می‌شود که در نهایت برچسب مربوطه هر pixelvector را پیش‌بینی می‌کند. مجموعه داده‌های استفاده شده در روش پیشنهادی: مجموعه داده‌های Pines هند، مجموعه داده‌های Salinas و مجموعه داده‌های دانشگاه Pavia. مقایسۀ‌ی عملکرد نشان می‌دهد که عملکرد سازگاری پیشرفته در رویکرد پیشنهادی بر روی وضعیت فعلی در سه مجموعه داده نشان داده شده است.

محیط های فراگیر هوشمند (مقاله رایگان pdf)

چکیده

           اینترنت اشیاء (IoT) قرار است به یکی از پیشرفت های کلیدی فناوری زمان ما تبدیل شود؛ به شرطی که بتوانیم از پتانسیل کامل آن استفاده کنیم. انتظار می رود که تعداد اشیاء متصل به IoT تا سال 2020 به 50 میلیارد برسد زیرا هجوم گسترده ای از اشیاء متنوع به تدریج در حال ظهور است. از این رو، انتظار می رود که IoT یک تولید کننده اصلی داده (big data) باشد. به اشتراک گذاری و تعامل داده ها و سایر منابع می تواند کلیدی برای ایجاد محیط های پایدار فراگیر، مانند شهرهای هوشمند و جوامع باشد. تلفیق و تجزیه و تحلیل به موقع داده های بزرگ که از IoT و سایر منابع به دست می آید، برای ایجاد تصمیم گیری دقیق و با قابلیت اطمینان و مدیریت بسیار کارآمد محیط های فراگیر می تواند یک چالش بزرگ آینده باشد. هوش کامپیوتری در این چالش نقش کلیدی ایفا می کند. تعدادی از مطالعات بر روی تلفیق داده ها وجود دارد. با این حال، اینها عمدتا بر روی حوزه های  کاربردی خاص یا دسته بندی های خاص تمرکز می کنند. هدف از این مقاله بررسی ادبیات تلفیق داده ها برای IoT با یک توجه خاص به روش های ریاضی (از جمله روش های احتمالاتی، هوش مصنوعی و نظریه اعتقاد) و محیط های خاص IoT (محیط های توزیع شده، ناهمگن، غیر خطی و ردیابی شیء) می باشد. فرصت ها و چالش  هایی برای هر یک از روش ها و محیط های ریاضی ارائه شده است. تحولات آینده، از جمله حوزه های نوظهور که ذاتا از تلفیق داده ها و IoT، وسایل نقلیه مستقل(خود مختار)، یادگیری عمیق برای تلفیق داده ها و شهرهای هوشمند بهره می برند، مورد بحث قرار می گیرد.

تشخیص چهره (مقاله رایگان pdf)

چکیده 

         در نظارت تصویری، تشخیص چهره می‌تواند نشانه مهمی برای مقداردهی اولیه الگوریتم ردیابی باشد. کارهای اخیر در زمینه‌ی psychophics اشاره به اهمیت بافت محلی یک چهره برای تشخیص قوی، مانند خطوط سر دارد. این مقاله یک آشکارساز ارائه می‌دهد که فعالانه از ایده بافت محلی بهره می‌گیرد. هدف، به‌دست آوردن استحکامی فراتر از توانایی‌های آشکارساز سنتی است که جهت بررسی و نظارت جالب است. عملکرد آشکارساز پیشنهادی از نظر دقت و سرعت در مجموعه داده‌هایی از PETS 2000 و PETS 2003 ارزیابی شده و با روش شی‌گرایی مقایسه شده است. توجه خاص بیشتر بر نقش وضوح تصویر در دسترس تکیه دارد.

کنترل کننده منطق فازی (مقاله رایگان pdf)

چکیده

         هدف از این مقاله مقایسه تکنیک های فازی مختلف سازی برای استفاده از کنترل ماشین خودکارطراحی شستشو برای پیش بینی تفاوت خطا بین روش های مختلف است. ماشین لباسشویی های اتوماتیک با برنامه های کاربردی برای مصارف داخلی در نظر گرفته شده است. پارامترهای ورودی مقدار خاک و چربی بر روی لباس را در نظر می گیرند. بسته به میزان ورودی های زمان شستشو به عنوان خروجی توسط تکنیک فازی سازی های مختلف تصمیم گیری انجام می شود.این مشکل با نرم افزار شبیه سازی MATLAB برای ارزیابی تکنیک های مختلف پشتیبانی می شود.

پارامترهای یادگیری (مقاله رایگان pdf)

چکیده

          مدل یا application با نام word2vec توسط Mikolov و همکارانش ارائه شده است. این مدل در سال‌های اخیر توجه زیادی را به خود جلب کرده است. نمایش برداری کلمات توسط مدل یادگیری word2vec برای ارائه معنای مفاهیم امکان‌پذیر است که در انواع وظایف از نوع NLP کاربرد دارد.  بنا به افزایش تعداد تحقیقات و آزمایشات موجود در این زمینه، نبود یک توصیف فراگیر و جامع برای پارامترهای فرآیند یادگیری مدل‌های نهفته کلمات به‌صورت جزئی، توجه مرا به خود جلب کرد.  بنابراین به‌منظور جلوگیری از انجام تحقیقات غیرتخصصی در شبکه‌های عصبی به‌دلیل عدم فهم مکانیزم کارایی چنین مدل‌هایی، این مقاله ارائه شده است.

تشخیص گفتار (مقاله رایگان pdf)

خلاصه

           تشخیص "گفتار" به عنوان خط اتصال کاربر در برنامه های جدید به طور پیوسته دیده می شود. با پیشرفت این تکنولوژی، روشهای جدیدی برای انسان فراهم می شود تا با ماشین ها و اطلاعات حاصل از آنها، ارتباط برقرار کنند. انجام این کار در بسیاری از حوزه ها، کاربران را به انتظارات خود نزدیکتر کرده است. اگر چه هنوز چالش های زیادی در مورد فناوری وجود دارد، ولی تشخیص گفتار به یک سطح تکامل یافته نیاز به در نظر گرفتن استقرار آن در سیستم ها و محیط های پیچیده دارد. به این ترتیب ما درباره سیستمهایی بحث می کنیم که ما را به اجرای موفقیت آمیز تشخیص گفتار برنامه نیروی XXI زمین جنگجو نزدیک می کند.

راهبردهای پیشرفته (مقاله رایگان pdf)

10.1: ذخیره سازی الگوهای همبسته

        همان طور که در بخش 3.1 و 4.3 بحث کردیم توانایی بیادآوری صحیح خاطره ها اگر عددp از الگوهای ذخیره شده از یک حد معین بیشتر شود تجزیه می شود(از بین می رود.).هنگامی که پیوندهای سیناپسی بر طبق قانون Hebb تعیین شده هستند،این کار در تراکم (چگالی)ذخیره سازی اتفاق می افتدα=p/N=0.138  .دلیل این رفتار،تاثیردیگر الگوهای ذخیره شده که با ضابطه اختلال نوسان در(3.13)بیان می شود،می باشد.همان طور که در انتهای بخش 3.1 اشاره کردیم،اگر الگوها بر یکدیگر متعامد باشند همانند انچه که در بخش (3.16) بیان شد،این اثر دقیقا ناپدید خواهد شد.به عبارت دیگر توان تجدیدخاطره روبه وخامت می رود حتی قبل از آنکه الگوهای ذخیره شده شدیدا با یکدیگر مرتبط شوند.درباره نمایش گرافیکی حروف رومی فکر کنید،جایی که E شباهت نزدیکی به F داردو C شبیه G است یا درباره لیست معمولی از اعداد کتابچه تلفن،که احتمالا بسیار به هم مرتبط هستند، فکرکنید.

روش های یادگیری عمیق (مقاله رایگان pdf)

چکیده

            قطعه بندی تومور مغزی یکی از کارهای مهم  در زمینه ی پردازش تصویر پزشکی است. تشخیص زودهنگام تومورهای مغزی دراحتمال بهبود با درمان و افزایش نرخ زنده ماندن بیماران نقش مهمی ایفا می کند. قطع بندی تومورهای مغزی برای تشخیص سرطان به صورت دستی (توسط انسان)، از میان تعداد زیادی از تصاویر MRI تولید شده در روتین های پزشکی کاری دشوار و وقتگیر است. یک نیاز اساسی برای قطعه بندی تصویر تومور مغزی به صورت خودکار وجود دارد. هدف از این مقاله، ارائه ی یک بررسی بر روی روش های قطعه بندی تصویر تومور مغزی مبتنی بر MRI است. به تازگی، استفاده از روشهای یادگیری عمیق برای قطعه بندی خودکار محبوبیت پیدا کرده اند، چرا که این روش ها به نتایج پیشرفته و جدیدی دست می یابند و می توانند بهتر از روش های دیگر به این مسئله رسیدگی کنند. روش های یادگیری عمیق همچنین می توانند پردازش کارآمد را فعال کنند و ارزیابی قابل مشاهده و هدفمندی از حجم عظیمی از داده های تصویری مبتنی بر MRI را ممکن سازند. تعدادی از مقالات بررسی (review) وجود دارند که بر روش های قدیمی(سنتی) برای قطعه بندی تصویر تومور مغزی مبتنی بر MRI تمرکز کرده اند. ولی برخلاف دیگران، ما در این مقاله بر روی  روند اخیر روش های یادگیری عمیق در این زمینه تمرکز می کنیم. ابتدا، معرفی تومورهای مغزی و روش هایی برای قطعه بندی تومور مغزی داده می شوند. سپس، الگوریتم های جدید با تمرکز بر روی روند اخیر روش های یادگیری عمیق مورد بررسی قرار می گیرند. در نهایت، یک ارزیابی از وضعیت فعلی ارائه شده و پیشرفت‌های آینده جهت استانداردسازی روش های قطعه بندی تومور مغزی مبتنی بر MRI در روتین های روزانه ی پزشکی در نظر گرفته شوند.