198
Science and Engineering” (IJATCSE) ISSN: 2278-3091, Volume 9, Issue-4, July – August 2020.
–P.5736-5740
OBYEKTLARNI TANIB OLISH UCHUN CHUQUR O‘RGANISH ALGORITMLARI
Modullaev Jahongir Sobir o‘g‘li,
Muxammad al-Xorazmiy nomidagi TATU
Televizion va media texnologiyalari kafedrasi, katta o‘qituvchi
Annotatsiya:
Ushbu maqolada obyektlarni tanib olish uchun chuqur o‘rganish
algoritmlari taxlil qilingan. Bunda real vaqt ilovalari uchun YOLO algoritmi mos kelishi
ko’rsatib o‘tilgan.
Kalit so‘zlar:
CNN, Yolov5, chuqur o‘rganish, o‘rtacha aniqlik, tezlik, obyektni tanib
olish.
So‘nggi yillarda obyektlarni aniqlash algoritmlarini ishlab chiqishda asosan chuqur
o‘qitish va konvolyusion neyron tarmoqlari (CNN) paydo bo‘lishi tufayli sezilarli yutuqlarga
erishildi. Ushbu yutuqlar PASCAL VOC, ImageNet va MS COCO kabi turli xil benchmark
ma’lumotlar to‘plamlarida ishlashning tasirchan yaxshilanishiga olib keldi. Ushbu
muvaffaqiyatlarga qaramay, obyektlarni cheklanmagan muhitda aniqlash qiyin vazifa bo‘lib
qolmoqda. Cheklanmagan muhit yorug‘lik sharoitlarining o‘zgarishi, obyekt joylashuvining
o‘zgarishi, okklyuzyonlar, obyekt deformatsiyasi, masshtab o‘zgarishi va tartibsiz fon mavjudligi
bilan tavsiflanadi. Bu omillar obyektni aniqlash algoritmlarining ishlashiga jiddiy tasir
ko‘rsatishi mumkin, bu esa yuqori aniqlikka erishishni qiyinlashtiradi. Ayniqsa uchuvchisiz
qurilmalar yordamida olingan raqamli tasvirlar dinamik olish va uzatish jarayonida shovqin
tufayli yomon buziladi[1,3].
Obyektlarni tanib olish uchun chuqur o‘rganish algoritmlari
Obyektni tanib olishning zamonaviy usullari.
Biz obyektni tanib olishshning zamonaviy
usullarini ikkita asosiy guruhga ajratamiz: ikki bosqichli detektorlar va bir bosqichli
detektorlar[8,9].
1-rasm. Obyektni aniqlash bosqichlari[15]
Tanlangan modellar oilasining barchasi qo‘llaniladi, ammo hozirgi kunda ko‘pchilik
masalalarda vaqt sinovidan o‘tgan model (YOLOv5) ko‘proq qo‘llaniladi. Taklif qilingan
yechimda Yolo algoritmining eng faol ishlatiladigan versiyasi - YOLOv5 eng yaxshi natijalarga
egaligini ko‘rsatdi.
Ikki bosqichli detektorlar
Ikki bosqichli detektorlar mintaqaviy taklif bosqichidan so‘ng tasniflash bosqichidan
199
iborat. Bazi taniqli ikki bosqichli detektorlarga quyidagilar kiradi:
R-CNN
R-CNN (Region-based Convolutional Neural Networks) 2014 yilda Ross Girshick va
boshqalar tomonidan taklif qilingan obyektni aniqlash modelidir. R-CNN bu ikki bosqichli
obyektni aniqlash tizimi bo‘lib, u tasvirdagi potensial obyekt hududlarini yaratish uchun mintaqa
taklifi mexanizmidan foydalanadi va keyin bu hududlarni tasniflash va takomillashtirish uchun
konvolyusion neyron tarmog‘ini (CNN ) qo‘llaydi[2,16].
Fast R-CNN
Faster R-CNN (Region-based Convolutional Neural Networks): Fast R-CNN bu ikki
bosqichli obyektni aniqlash modeli bo‘lib, u obyekt takliflarini yaratish uchun mintaqaviy taklif
tarmog‘idan (RPN) va takliflarni tasniflash va takomillashtirish uchun Fast R-CNN tarmog‘idan
foydalanadi. RPN kichik tarmoqni konvolyusion xususiyatlar xaritasi bo‘ylab siljitish va yomon
ko‘rsatkichlari va chegaraviy ofsetlarni bashorat qilish orqali mintaqaviy takliflarni ishlab
chiqaradi. Fast R-CNN o‘zining aniqligi bilan mashhur va obyektni aniqlash vazifalarida keng
qo‘llanilgan[4].
Bir bosqichli detektorlar
Bir bosqichli detektorlar to‘g‘ridan-to‘g‘ri tasvirdan obyektni chegaralash qutilari va sinf
ehtimolini bashorat qiladi. Bazi mashhur bir bosqichli detektorlarga quyidagilar kiradi:
YOLO
YOLO - obyektlar sinfi ballarini va to‘g‘ridan-to‘g‘ri butun tasvirdan chegara
chizig‘ining ofsetlarini bashorat qiluvchi yani bir bosqichli obyektni aniqlash modeli. YOLO
tasvirni katakchalar tarmog‘iga ajratadi va har bir katak uchun sinf va chegara qutisini bashorat
qiladi. YOLO bashorat qilish uchun yagona neyron tarmoqdan foydalanadi va tezligi va real
vaqtda ishlashi bilan mashhur[17].
SSD
Single Shot MultiBox Detector (SSD) YOLO konsepsiyasini bir nechta shkalalarda
chegaralovchi qutilar va sinf ehtimolini bashorat qilish orqali kengaytiradi, bu esa turli
o‘lchamdagi obyektlarni aniqlashni yaxshilaydi. SSD konvolyusion xususiyat xaritalarini
yaratish uchun xususiyat ekstraktoridan foydalanadi va har bir standart quti uchun sinf ballari va
ofsetlarni bashorat qilish uchun konvolyusion filtrlar to‘plamini qo‘llaydi. SSD o‘zining tezligi
va samaradorligi bilan mashhur va real vaqt rejimida obyektlarni aniqlash dasturlarida
qo‘llanilgan.
Retina Net
Retina Net Focal Loss dasturini taqdim etadi, u oson misollar hissasini kamaytirish va
mashg‘ulotlar davomida og‘ir misollarga etibor qaratish orqali sinfdagi nomutanosiblik
muammosini hal qiladi. Bu, ayniqsa kichik obyektlarni aniqlashning yaxshilanishiga olib keladi.
Retina Net yangi fokusni yo‘qotish funksiyasidan foydalanadi, bu qiyin misollarga yuqori
og‘irliklarni belgilaydi va mashg‘ulot paytida oson misollarning tasirini kamaytiradi.
2-rasm. Bir bosqichli va ikki bosqichli obyektni aniqlash detektorlari
200
Biz endi COCO malumotlar to‘plamida obyektni aniqlashning turli usullarini solishtiramiz [5].
Natijalar 1-jadvalda jamlangan.
1-jadval. COCO malumotlar to‘plamida obyektni aniqlash usullarini taqqoslash
Usul
O‘rtacha aniqlik (AP)
Tezlik (fps)
R-CNN
53.3
0.5
Fast R-CNN
70.0
5
Faster R-CNN
73.2
7
YOLOv5
75.0
56.5
SSD
72.1
19
RetinaNet
74.8
12
1-jadval natijalari shuni ko‘rsatadiki, Faster R-CNN kabi ikki bosqichli detektorlar
YOLOv5 va SSD kabi bir bosqichli detektorlarga nisbatan odatda yuqori o‘rtacha aniqlikka (AP)
erishadi. Biroq bir bosqichli detektorlar soniyasiga kadrlar soni (fps) bo‘yicha tezroq bo‘lib,
ularni real vaqtda ilovalar uchun ko‘proq moslashtiradi.
FOYDALANILGAN ADABIYOTLAR
1.Dhillon, A. and G.K.J.P.i.A.I. Verma, Convolutional neural network: a review of models,
methodologies and applications to object detection. 2020. 9(2): p. 85-112. 2. Xu, C., et al., A
page object detection method based on mask R-CNN. 2021. 9: p. 143448- 143457.
3. Qin, W., R. Elanwar, and M.J.J.o.I.S. Betke, Text and metadata extraction from scanned
Arabic documents using support vector machines. 2022. 48(2): p. 268-279. 4. Liu, B., W. Zhao,
and Q. Sun. Study of object detection based on Faster R-CNN. in 2017 Chinese Automation
Congress (CAC). 2017. IEEE.
5. Wong, J.K.W., et al., Development of a refined illumination and reflectance approach for
optimal construction site interior image enhancement. 2022.
6. Li, Y., et al., A unified probabilistic framework of robust and efficient color consistency
correction for multiple images. 2022. 190: p. 1-24.
7. Csurka, G. and M.J.a.p.a. Humenberger, From handcrafted to deep local invariant features.
2018. 2: p. 1.
8. Doi, K., et al., Detecting Object-Level Scene Changes in Images with Viewpoint Differences
Using Graph Matching. 2022. 14(17): p. 4225.
9. Cao, Z., et al., A Multi-Object Tracking Algorithm With Center-Based Feature Extraction and
Occlusion Handling. 2022.
10. Somers, V., C. De Vleeschouwer, and A. Alahi. Body Part-Based Representation Learning
for Occluded Person Re-Identification. in Proceedings of the IEEE/CVF Winter Conference on
Applications of Computer Vision. 2023.
11. Hwang, B., S. Lee, and H.J.E. Han, LNFCOS: Efficient Object Detection through Deep
Learning Based on LNblock. 2022. 11(17): p. 2783.
12. Zhao, J., et al., Data-adaptive binary neural networks for efficient object detection and
recognition. 2022. 153: p. 239-245.
13. Ma, J., Y. Ushiku, and M. Sagara. The effect of improving annotation quality on object
detection datasets: A preliminary study. in Proceedings of the IEEE/CVF Conference on
Computer Vision and Pattern Recognition. 2022.
14. Kuznetsova, A., et al., The open images dataset v4: Unified image classification, object
detection, and visual relationship detection at scale. 2020. 128(7): p. 1956-1981.
15. Xiao, Y., et al., A review of object detection based on deep learning. 2020. 79: p. 23729-
23791.
16. Rani, S., et al., Object detection and recognition using contour based edge detection and fast
R-CNN. 2022. 81(29): p. 42183-42207.
17. Feroz, M.A., et al. Object detection and classification from a real-time video using SSD and
YOLO models. in Computational Intelligence in Pattern Recognition: Proceedings of CIPR
2021. 2022. Springer.
201
18. Diwan, T., et al., Object detection using YOLO: Challenges, architectural successors,
datasets and applications. 2022: p. 1-33.
UCHUVCHISIZ QURILMALAR TAVSIFLANISHI VA ULARNING
QO‘LLANILISH SOHALARI
Modullaev Jahongir Sobir o‘g‘li,
Muxammad al-Xorazmiy nomidagi TATU
Televizion va media texnologiyalari kafedrasi, katta o‘qituvchi
Annotatsiya:
Ushbu maqolada uchuvchisiz qurilmalar turlari va ular keng ishlatilayotgan
soxalar bayon etilgan. Uchuvchisiz qurilmalar turli xil jixatlariga qarab taxlil qilingan.
Kalit so‘zlar:
Uchuvchisiz qurilma, uchish balandligi, uchish masofasi, parvoz
davomiyligi.
Uchuvchisiz qurilmalar(UQ) - bu bortida uchuvchisiz parvozni amalga oshirishga qodir
samolyot. Shuning uchun samolyotning parvozi avtonom tarzda oldindan dasturlashtirilgan
rejimda yoki masofadan boshqarish pulti yordamida amalga oshirilishi kerak. UQ uchun yana bir
keng tarqalgan atama drondir[1,2]. UQlar aviatsiya sanoatida inqilob yasadi. Bu asosan
boshqariladigan samolyotlarga nisbatan dronlarning foydalanish xarajatlari ancha kamligi bilan
ajralib turishiga bog‘liq. Bundan tashqari innovatsiyalar va texnologiyalar sohasida erishilgan
uzluksiz taraqqiyot natijasida UQlar yuqori manevyor va kichik o‘lchamlari bilan ajralib turadi,
buning natijasida ular murakkab vazifalarni bajarish uchun ishlatilishi mumkin[2,3]. Dastlab
dronlar quruqlik xaritasi, kuzatuv zonasi, razvedka va uzoq masofali qurollar kabi harbiy
maqsadlarda ishlatilgan. Hozirgi vaqtda UQlar fuqarolik maqsadlarida keng qo‘llanilmoqda va
ularning imkoniyatlarining doimiy ravishda kengayishi dronlardan foydalanadigan soxalar
sonining ko‘payishiga olib keldi. UQni qo‘llashning asosiy yo‘nalishlari quyidagilardan
iborat[4,5,6]:
- qishloq xo‘jaligi: pul va vaqtni tejashga qaratilgan ishonchli choralarni ko‘rish, zararni
tez va aniq aniqlash va dalada yuzaga kelishi mumkin bo‘lgan muammolarni bartaraf etish;
- Arxeologiya va arxitektura: texnogen tuzilmalar va tarixiy obidalarni o‘rganish va 3D
xaritalash;
- Favqulotda vaziyatlarni boshqarish: UQlar qutqaruv operatsiyasi uchun zarur bo‘lgan
ma’lumotlarni tezda olish imkoniyatiga ega. Bundan tashqari, dron yordamida parvoz inson
salomatligi uchun hech qanday xavf tug‘dirmaydi, qidirish yoki kuzatish xavosi ifloslangan
joylarda ham amalga oshirilishi mumkin;
- Atrof-muhit: issiqlik tahlillari, kadastr xaritasi, yer va suv hududlari monitoringi,
shuningdek, tabiiy resurslar, yo‘l xaritasi tuzish;
- o‘rmon xo‘jaligi: yong‘in nazorati, o‘simliklar monitoringi va daraxtlarni baholash;
- Yo‘l harakati monitoringi: to‘xtash joyining bandligini aniqlash, transport vositasining
holatini kuzatish va sayohat vaqtini baholash.
UQlarning asosiy qismlariga quyidagilar kiradi: batareya, dvigatellar, parvoz
boshqaruvchisi, korpusi, qabul qilgich, sensorlar, uzatuvchi va tezlikni boshqarish. Dron rotorlari
ish faoliyatini imkon qadar oshirish uchun dvigatellarga moslashtiriladi. UQ korpusi parvoz
xususiyatlarini yaxshilashga aerodinamik ta’sirni hisobga oladigan oddiy va yengil dizayn
bo‘lishi kerak. Korpusning materiali va dizayni muhim ahamiyatga ega, chunki noto‘g‘ri
muvozanatlangan yoki o‘ta mo‘rt korpus salbiy ta’sir ko‘rsatishi mumkin.
UQning ishlashi. Haddan tashqari og‘ir korpusdan foydalanish transport vositasining
yukini kamaytiradi, egilgan korpus esa parvoz barqarorligi bilan bog‘liq muammolarni keltirib
chiqaradi. Dron korpuslarini qurish uchun ishlatiladigan materiallar asosan uglerod yoki
termoplastik tolalarni o‘z ichiga oladi. Datchiklar parvoz boshqaruvchisi bilan birgalikda UQga
to‘siqlarni aniqlash, dronni belgilangan holatda ushlab turish va uni boshqarish kabi asosiy
xavfsizlik funktsiyalarini bajarishini ta’minlash uchun ishlatiladi. Avtotransport bilan aloqaga
kelsak, qo‘shimcha aloqa modullari bilan birga yerosti stansiyasi ham asosiy rol o‘ynaydi.
