‫ﻣﻘﺎﻟﻪ ﭘﮋوﻫﺸﯽ‬ ‫ﻣﺠﻠﻪ ﻣﺎﺷﯿﻦﺑﯿﻨﺎﯾﯽ و ﭘﺮدازشﺗﺼﻮﯾﺮ‬

‫ﺳﺎل ﻧﻬﻢ‪ ،‬ﺷﻤﺎره دوم‪ ،‬ﺗﺎﺑﺴﺘﺎن ‪۱۴۰۱‬‬

‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬

‫‪۳‬‬
‫داور ﮔﯿﻮﮐﯽ‪ ،*،۱‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،۲‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬

‫ﭼﮑﯿﺪه‬
‫ﺷﻨﺎﺳﺎﯾﯽ ﭘﻼک ﺧﻮدرو ﯾﮏ ﺟﺰء اﺳﺎﺳﯽ از ﺳﯿﺴﺘﻢﻫﺎی ﻣﺨﺘﻠﻒ ﺣﻤﻞ و ﻧﻘﻞ ﻫﻮﺷﻤﻨﺪ اﺳﺖ ﮐﻪ ﻫﻤﯿﺸﻪ اﻧﺘﻈﺎر ﻣـﯽرود دﻗﯿـﻖ و ﮐﺎرآﻣـﺪ‬
‫اﻧﺠﺎم ﮔﯿﺮد‪ .‬رﺷﺪ ﺑﯽروﯾﻪ ﺗﻌﺪاد ﺧﻮدروﻫﺎ‪ ،‬ﻣﻨﺠﺮ ﺑﻪ ﺑـﺮوز ﻣﺸـﮑﻼت زﯾـﺎدی ﺑـﺮای ﺗﺸـﺨﯿﺺ ﺧـﻮدرو در زﻣﯿﻨـﻪﻫـﺎی ﻣﺨﺘﻠـﻒ از ﺟﻤﻠـﻪ‬
‫ﮐﻨﺘﺮل ﺗﺮاﻓﯿﮏ‪ ،‬ﻣﺪﯾﺮﯾﺖ ﭘﺎرﮐﯿﻨﮓ‪ ،‬ﻋﻮارﺿﯽ ﺑﺰرﮔﺮاهﻫﺎ و ﻏﯿﺮه ﺷﺪه اﺳﺖ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﻮدﮐﺎر ﺟﻬﺖ ﺗﺸﺨﯿﺺ ﺷـﻤﺎره‬
‫ﭘﻼک ﺧﻮدرو‪ ،‬ﻣﯽﺗﻮان ﺗﺎ ﺣﺪود زﯾﺎدی ﺑﺮ اﯾﻦ ﻣﺸﮑﻼت ﻓﺎﺋﻖ آﻣﺪ‪ .‬ﯾﮑﯽ از ﺑﻬﺘﺮﯾﻦ روشﻫﺎی اراﺋﻪ ﺷﺪه ﮐـﻪ ﺗـﺎ ﺑـﻪ اﻣـﺮوز ﮐـﺎراﯾﯽ ﺑﺴـﯿﺎر‬
‫ﺑﺎﻻﯾﯽ در ﺗﺸﺨﯿﺺ ﭘﻼک دارد‪ ،‬اﺳﺘﻔﺎده از ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﭘﯿﭽﺸﯽ )‪ (CNN‬اﺳﺖ‪ .‬در اﯾﻦ ﭘﮋوﻫﺶ ﺳﻌﯽ ﺑﺮ اﯾﻦ اﺳﺖﮐﻪ ﮐﺎراﯾﯽ اﯾﻦ‬
‫ﺷﺒﮑﻪﻫﺎ ﺑﺮای ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ روی دادﮔﺎﻧﯽ ﺟﻤﻊ آوری ﺷﺪه در اﯾﻦ ﻣﻘﺎﻟـﻪ‪ ،‬ﻣـﻮرد ارزﯾـﺎﺑﯽ ﻗـﺮار ﮔﯿـﺮد ﻃﻮریﮐـﻪ در‬
‫ﻧﻬﺎﯾﺖ ﺑﺘﻮان روﺷﯽ ﺧﻮدﮐﺎر ﺑﺮای ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی ﻓﺎرﺳﯽ اراﺋﻪ ﺷﻮد‪ .‬در روش ﭘﯿﺸﻨﻬﺎدی اﺑﺘﺪا ﭘﻼک ﺧـﻮدرو‬
‫ﻣﮑﺎنﯾﺎﺑﯽ ﻣﯽﺷﻮد‪ ،‬ﺳﭙﺲ ﺣﺮوف و اﻋﺪاد آن ﺟﺪاﺳﺎزی و اﺳـﺘﺨﺮاج ﻣﯽﺷـﻮﻧﺪ و در ﻧﻬﺎﯾـﺖ ﺑـﺎ اﺳـﺘﻔﺎده از ﺷـﺒﮑﮥ ﭘﯿﭽﺸـﯽ اﻟﮑـﺲﻧـﺖ‬
‫ﻧﻮﯾﺴﻪﻫﺎ دﺳﺘﻪﺑﻨﺪی ﻣﯽﺷﻮﻧﺪ‪ .‬از ﻧﻮآوریﻫﺎی ﭘﮋوﻫﺶ ﻣﯽﺗﻮان ﺑﻪ ﺟﻤﻊآوری دادﮔﺎﻧﯽ ﺑﺎ ‪ ۵۰۰۰‬ﺗﺼﻮﯾﺮ از ﺧﻮدروﻫـﺎی اﯾﺮاﻧـﯽ‪ ،‬اﺳـﺘﻔﺎده‬
‫از اﻧﺘﻘﺎل ﯾﺎدﮔﯿﺮی )‪ (Transfer Learning‬ﺑﺮای ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ و ﺑﺎزﺷﻨﺎﺳﯽ ﺗﻮاﻣﺎن ﺣﺮوف و ارﻗﺎم ﻓﺎرﺳﯽ اﺷﺎرهﮐﺮد‪.‬‬
‫ﮐﺎراﯾﯽ روش ﭘﯿﺸﻨﻬﺎدی روی دادﮔﺎن ﺟﻤـﻊآوری ﺷـﺪه ﺑـﺎ دﻗـﺖ ‪ ۷۰‬درﺻـﺪ دادهﻫـﺎی آﻣـﻮزش و ‪ ۳۰‬درﺻـﺪ دادهﻫـﺎی آزﻣـﻮن ﺑـﻪ دﻗـﺖ‬
‫‪ ۹۸/۲۰‬درﺻﺪ رﺳﯿﺪه اﺳﺖ‪.‬‬

‫ﮐﻠﯿﺪواژهﻫﺎ‬
‫ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدرو‪ ،‬ﺷﺒﮑﮥ ﭘﯿﭽﺸﯽ اﻟﮑﺲﻧﺖ‪ ،‬اﻧﺘﻘﺎل ﯾﺎدﮔﯿﺮی‪ ،‬ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ‬

‫اﺣﺴﺎس ﻣﯽﺷﻮد زﯾﺮا ﺑﺎزدﻫﯽ ﻧﯿﺮوی اﻧﺴﺎﻧﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻌـﺪاد و ﻧﯿـﺎز‬

‫آن‪ ،‬روﻧــﺪی ﮐﺎﻫﺸــﯽ دارد ]‪ .[۱۹‬آﻣﺎرﻫــﺎ ﻧﺸــﺎن ﻣــﯽدﻫــﺪ ﮐــﻪ ﺳــﺎﻟﯿﺎﻧﻪ‬ ‫‪ ۱‬ﻣﻘﺪﻣﻪ‬
‫ﺻﺪﻫﺎ ﻫﺰار ﻧﻔﺮ ﺑﺮاﺳﺎس ﻋﺪم ﮐﻨﺘﺮل درﺳﺖ ﺗﺨﻠﻔﺎت راﻧﻨـﺪﮔﯽ ﺟـﺎن‬ ‫در ﺣﺎل ﺣﺎﺿﺮ ﺧﻮدروﻫﺎی زﯾﺎدی در ﺳﺮﺗﺎﺳﺮ ﺟﺎدهﻫﺎی ﺟﻬﺎن ﺗـﺮدد‬
‫ﺧﻮد را از دﺳـﺖ ﻣـﯽدﻫﻨـﺪ‪ .‬از ﺳـﻮی دﯾﮕـﺮ اﺳـﺘﻔﺎده از ﺳﯿﺴـﺘﻢﻫـﺎی‬ ‫ﻣﯽﮐﻨﻨﺪ‪ .‬ﻫﺮ ﮐﺪام از اﯾﻦ ﺧﻮدروﻫﺎ ﺷـﻤﺎره ﺷﻨﺎﺳـﺎﯾﯽ ﻣﺨﺼـﻮص ﺑـﻪ‬
‫ﮐﺎﻣﭙﯿﻮﺗﺮی اﻣﮑﺎن ﮐﻨﺘﺮل و ﻣﺪﯾﺮﯾﺖ ﺗﺮاﻓﯿﮏ را ﺑﺎ ﺧﻄﺎﯾﯽ ﺑﺴﯿﺎر ﮐﻤﺘﺮ‬ ‫ﺧﻮد را دارﻧﺪ ﮐﻪ در ﺣﮑﻢ ﺷﻨﺎﺳﻨﺎﻣﻪ آنﻫﺎ اﺳﺖ‪ .‬ﺑـﺎ ورود اﯾـﻦ ﺣﺠـﻢ‬
‫و در ﻣﺪت زﻣﺎﻧﯽ ﺳﺮﯾﻊﺗﺮ‪ ،‬اﯾﺠﺎد ﻣﯽﮐﻨﺪ‪ .‬ﺑﻪ ﻫﻤﯿﻦ ﻋﻠـﺖ ﮔـﺮاﯾﺶ ﺑـﻪ‬ ‫ﻗﺎﺑــﻞ ﺗﻮﺟــﻪ و ﭼﺸــﻤﮕﯿﺮ از ﺧﻮدروﻫــﺎ و وﺳــﺎﯾﻞ ﻧﻘﻠﯿــﻪ ﺑــﻪ ﺷــﻬﺮﻫﺎ و‬
‫ﺳــﻤﺖ ﺧﻮدﮐــﺎر ﺷــﺪن ﺳﯿﺴــﺘﻢﻫــﺎ اﺳــﺖ ]‪ .[۱۴][۷‬ﺳــﺎﻣﺎﻧﻪﻫﺎی‬ ‫ﺟﺎدهﻫﺎ و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺪود ﺑﻮدن ﺗﻮاﻧﺎﯾﯽﻫـﺎ و ﻗﺎﺑﻠﯿـﺖﻫـﺎی ﻧﯿـﺮوی‬
‫ﺗﺸﺨﯿﺺ ﺑﻪ ﮐﻤﮏ ﮐﺎﻣﭙﯿﻮﺗﺮ ﯾﮑﯽ از ﮐﺎراﺗﺮﯾﻦ اﺑﺰارﻫﺎ ﺑﺮای دﺳﺘﻪﺑﻨﺪی‬ ‫اﻧﺴﺎﻧﯽ‪ ،‬ﻧﯿﺎز ﺑﻪ اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢﻫـﺎی ﮐـﺎﻣﭙﯿﻮﺗﺮی ﺑﯿﺸـﺘﺮ از ﮔﺬﺷـﺘﻪ‬
‫و ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدرو ﻫﺴﺘﻨﺪ‪ .‬ﺑـﻪ ﮐـﺎرﮔﯿـﺮی ﺳﯿﺴـﺘﻢ ﮐـﺎﻣﭙﯿﻮﺗﺮی‬
‫ﺑﺮای ﺗﺸـﺨﯿﺺ ﺧﻮدﮐـﺎر ﭘـﻼک ﺧـﻮدرو‪ ،‬ﺑﺎﻋـﺚ ﻣـﯽﺷـﻮد ﺧﻄﺎﻫـﺎی‬ ‫اﯾﻦ ﻣﻘﺎﻟﻪ در ﻣﻬﺮﻣﺎه ﺳﺎل ‪ ۱۳۹۸‬درﯾﺎﻓﺖ‪ ،‬در ﺧﺮدادﻣﺎه ‪ ۱۴۰۰‬ﺑـﺎزﻧﮕﺮی و‬
‫ﺗﺼﻤﯿﻢﮔﯿﺮی و ﻫﺰﯾﻨﻪﻫﺎ ﮐﺎﻫﺶ ﯾﺎﺑﻨﺪ‪ .‬ﺑﻨـﺎﺑﺮاﯾﻦ ﯾـﮏ ﺳﯿﺴـﺘﻢ ﺧﺒـﺮه و‬ ‫ﺳﭙﺲ ﭘﺬﯾﺮﻓﺘﻪ ﺷﺪ‪.‬‬
‫ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﺗﺸﺨﯿﺺ ﭘـﻼک ﺧـﻮدرو ﮐﻤـﮏ ﺷـﺎﯾﺎﻧﯽ‬ ‫‪ ۱‬داﻧﺸﮑﺪه ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ‪ ،‬داﻧﺸﮕﺎه ﻣﻼﯾﺮ‬
‫راﯾﺎﻧﺎﻣﻪ‪davood.giveki@gmail.com :‬‬
‫ﮐﻨﺪ ]‪ .[۱۷][۹‬ﺳﻴﺴﺘﻢﻫـﺎی ﺗﺸـﺨﯿﺺ ﭘـﻼک ﺧـﻮدرو ﻣـﯽﺗﻮاﻧﻨـﺪ در‬
‫‪ ۲‬ﮔﺮوه ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ‪ ،‬ﻣﻮﺳﺴﮥ آﻣﻮزش ﻋﺎﻟﯽ ﻋﻠﻢ ﮔﺴﺘﺮ آﻓﺮﯾﻨﺶ ﺑﺮوﺟﺮد‬
‫ﻛﻨﺘــﺮل ﺧﻄــﻮط ﻣــﺮزی‪ ،‬ﻛﻨﺘــﺮل ﺗﺮاﻓﻴـﮏ‪ ،‬ﻧﻈــﺎرت ﺑــﺮ اﺟــﺮای ﻗــﻮاﻧﻴﻦ‬
‫راﯾﺎﻧﺎﻣﻪ‪ozra.dalvand176@gmail.com :‬‬
‫راﻫﻨﻤــﺎﯾﯽ و راﻧﻨــﺪﮔﯽ‪ ،‬ﻣــﺪﻳﺮﻳﺖ ﭘﺎرﻛﻴﻨــﮓﻫــﺎی وﺳــﻴﻊ‪ ،‬ﻋﻮارﺿــﯽ‬
‫‪ ۳‬ﮔﺮوه ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ‪ ،‬ﻣﻮﺳﺴﮥ آﻣﻮزش ﻋﺎﻟﯽ ﻋﻠﻢ ﮔﺴﺘﺮ آﻓﺮﯾﻨﺶ ﺑﺮوﺟﺮد‬
‫راﯾﺎﻧﺎﻣﻪ‪rhomayon@gmail.com :‬‬

‫ﻧﻮﯾﺴﻨﺪه ﻣﺴﺌﻮل‪ :‬داور ﮔﯿﻮﮐﯽ‬

‫‪DOR: 20.1001.1.23831197.1401.9.2.6.9‬‬
‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬ ‫‪۸۲‬‬

‫ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدروﻫﺎ اﺳﺘﻔﺎده ﮐﺮدهاﻧﺪ‪ .‬دادﮔﺎن ﻓﻮق ﺷﺎﻣﻞ ﺑـﯿﺶ‬ ‫ﺑﺰرﮔﺮاهﻫﺎ‪ ،‬ورودی اﻣﺎﻛﻦ ﺧﺼﻮﺻـﯽ و ﻋﻤـﻮﻣﯽ‪ ،‬ﺷﻨﺎﺳـﺎﺋﯽ ﺧـﻮدرو‪-‬‬
‫از ‪ ۲۰K‬ﺗﺼﻮﯾﺮ ﺑﻮده اﺳﺖ‪ .‬روش ﭘﯿﺸﻨﻬﺎدی آﻧﻬﺎ ﺷـﺎﻣﻞ ﻣﺮاﺣـﻞ زﯾـﺮ‬ ‫ﻫــﺎی ﻣﺴــﺮوﻗﻪ‪ ،‬ﺗﺤــﺖ ﭘﻴﮕــﺮد و ردﻳــﺎﺑﯽ ﺧﻮدروﻫــﺎی ﻣﺘﺨﻠــﻒ ﻣــﻮرد‬
‫اﺳﺖ‪-۱ :‬ﺟﺪاﺳـﺎزی ﭘـﻼک ﺧﻮدروﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از ﺷـﺒﮑﮥ ﻋﺼـﺒﯽ‬ ‫اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮﻧﺪ ]‪ .[۱۱][۱۶‬در اﯾﻦ ﭘـﮋوﻫﺶ ﺳـﻌﯽ ﺑـﺮ آن اﺳـﺖ‬
‫ﻣﺼﻨﻮﻋﯽ ﻋﻤﯿﻖ ‪ -۲‬ﺷﻨﺎﺳﺎﯾﯽ و ﺑﺎزﺷﻨﺎﺳﯽ ﻧﻮﯾﺴـﻪﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از‬ ‫ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻧﺘﻘﺎل ﯾﺎدﮔﯿﺮی روﺷﯽ ﺟﺪﯾﺪ ﺑﺮای ﺗﺸـﺨﯿﺺ ﭘـﻼک‬
‫ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﯿﭽﺸﯽ ]‪ .[12‬در ﭘﮋوﻫﺸﯽ دﯾﮕﺮ ﺳﺎوﻧﺸﯽ و ﻫﻤﮑـﺎران‬ ‫ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ و ﺑﺎزﺷﻨﺎﺳﯽ ﺗﻮاﻣﺎن ارﻗﺎم و ﺣـﺮوف اﯾـﻦ ﭘﻼکﻫـﺎ‬
‫از دادﮔﺎﻧﯽ ﮐﻪ ﺷﺎﻣﻞ ‪ ۱۰۰۰‬ﺗﺼﻮﯾﺮ ﻣﯽﺑﺎﺷﺪ؛ اﺳﺘﻔﺎده ﮐﺮدهاﻧـﺪ‪ .‬روش‬ ‫اراﺋﻪ داد‪ .‬ﻫﻤﭽﻨـﯿﻦ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ اﯾﻨﮑـﻪ دادﮔـﺎن ﺑﺰرﮔـﯽ از ﭘﻼکﻫـﺎی‬
‫ﭘﯿﺸﻨﻬﺎدی آنﻫﺎ ﺷﺎﻣﻞ ﻣﺮاﺣﻞ زﯾﺮ اﺳﺖ‪-۱ :‬ﺗﺸـﺨﯿﺺ ﻣﺤـﻞ ﭘـﻼک‬ ‫ﺧﻮدروﻫﺎی اﯾﺮاﻧـﯽ ﺗـﺎ زﻣـﺎن ﻧﮕـﺎرش اﯾـﻦ ﻣﻘﺎﻟـﻪ ﺑـﻪ ﻃـﻮر راﯾﮕـﺎن در‬
‫ﺧﻮدرو ﺑـﺎ اﺳـﺘﻔﺎده از اﻟﮕـﻮرﯾﺘﻢ ﺗﺸـﺨﯿﺺ ﻟﺒـﻪ ﺳـﻮﺑﻞ ‪-۲‬ﺑﺎزﺷﻨﺎﺳـﯽ‬ ‫دﺳﺘﺮس ﻧﺒﻮدهاﺳﺖ‪ ،‬در اﯾﻦ ﭘـﮋوﻫﺶ دادﮔـﺎﻧﯽ ﺷـﺎﻣﻞ ‪ ۵۰۰۰‬ﺗﺼـﻮﯾﺮ‬
‫ﻧﻮﯾﺴــﻪﻫــﺎ ﺑــﺎ اﺳــﺘﻔﺎده از ﺷــﺒﮑﻪ ﻋﺼــﺒﯽ ﭘﯿﭽﺸــﯽ ]‪ .[10‬در ﭘﮋوﻫﺸـﯽ‬ ‫از ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ ﺟﻤﻊآوری ﺷـﺪه اﺳـﺖ‪ .‬ﯾﮑـﯽ دﯾﮕـﺮ از اﻫـﺪاف‬
‫دﯾﮕــﺮ ﭘﻮﻟﯿﺸــﺘﯽ و ﻫﻤﮑــﺎران از دادﮔــﺎﻧﯽ ﺑــﺎ ﺑــﯿﺶ از ‪ ۱۰۰۰‬ﺗﺼــﻮﯾﺮ‬ ‫اﯾﻦ ﻣﻘﺎﻟﻪ اﯾﻦ اﺳﺖ ﮐﻪ اﯾﻦ دادﮔﺎن ﭘﻼکﻫﺎی ﺧﻮدروﻫـﺎی اﯾﺮاﻧـﯽ‪ ۱‬از‬
‫ﺧﻮدرو اﺳﺘﻔﺎده ﮐﺮدهاﻧـﺪ‪ .‬روش ﭘﯿﺸـﻨﻬﺎدی آنﻫـﺎ ﺷـﺎﻣﻞ ﻣﺮاﺣـﻞ زﯾـﺮ‬ ‫اﯾﻦ ﭘﺲ ﺑﻪ ﺻﻮرت راﯾﮕﺎن در اﺧﺘﯿﺎر ﻫﻤﮥ ﭘﮋوﻫﺸﮕﺮان ﺣـﻮزۀ ﺑﯿﻨـﺎﯾﯽ‬
‫اﺳــﺖ‪-۱:‬ﺗﺸــﺨﯿﺺ ﻣﺤــﻞ ﭘــﻼک ‪-۲‬ﺗﻘﺴـﯿﻢ ﻧﻮﯾﺴــﻪﻫﺎی ﭘــﻼک ‪-۳‬‬ ‫ﻣﺎﺷﯿﻦ ﻗﺮار ﮔﯿﺮد ﺗﺎ ﺑﺘﻮاﻧﻨـﺪ روشﻫـﺎی ﭘﯿﺸـﻨﻬﺎدی ﺧـﻮد را روی اﯾـﻦ‬
‫ﺗﺸﺨﯿﺺ ﻧﻮﯾﺴﻪﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﯿﭽﺸﯽ ]‪.[11‬‬ ‫دادﮔﺎن اﻋﻤﺎل ﮐﻨﻨﺪ‪ .‬روﻧﺪﮐﺎر ﭼﻨﯿﻦ اﺳﺖ ﮐـﻪ در اﺑﺘـﺪا ﻣﺤـﻞ ﭘـﻼک‬
‫ﺧﻮدرو ﺑﺎ اﺳﺘﻔﺎده از ﺗﺮﮐﯿﺐ اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻣﺨﺘﻠـﻒ ﭘـﺮدازش ﺗﺼـﻮﯾﺮ‬
‫ﻣﺸﺨﺺ ﻣﯽﺷـﻮد‪ .‬در ﮔـﺎم ﺑﻌـﺪی ﻧﻮﯾﺴـﻪﻫﺎی ﺗﺸـﮑﯿﻞ دﻫﻨـﺪۀ ﭘـﻼک‬
‫در ﭘﮋوﻫﺸﯽ دﯾﮕﺮ ﺗﺮﮐﯿﻠﻤﺎز و ﻫﻤﮑﺎران از دادﮔﺎﻧﯽ ﺑﺎ ‪ ۳۵۷‬ﺗﺼﻮﯾﺮ ﮐﻪ‬ ‫ﺧﻮدرو ﺟﺪاﺳﺎزی ﻣﯽﺷﻮﻧﺪ و در ﮔﺎم آﺧﺮ ﻧﻮﯾﺴﻪﻫﺎی ﺟﺪاﺳﺎزی ﺷـﺪه‬
‫از ﺻــﺤﻨﻪﻫــﺎی واﻗﻌــﯽ ﮔﺮﻓﺘــﻪ ﺷــﺪهاﻧــﺪ‪ ،‬اﺳــﺘﻔﺎده ﮐــﺮدهاﻧــﺪ‪ .‬روش‬ ‫ﺑﺎ اﺳﺘﻔﺎده از روش اﻧﺘﻘﺎل ﯾﺎدﮔﯿﺮی ﺗﻮﺳﻂ ﺷﺒﮑﮥ ﭘﯿﭽﺸﯽ اﻟﮑـﺲ ﻧـﺖ‬
‫ﭘﯿﺸﻨﻬﺎدی آنﻫﺎ ﺷﺎﻣﻞ ﻣﺮاﺣﻞ زﯾﺮ اﺳﺖ‪-۱ :‬ﺗﺸـﺨﯿﺺ ﻣﺤـﻞ ﭘـﻼک‬ ‫ﺑﺎزﺷﻨﺎﺳﯽ ﻣﯽﺷﻮﻧﺪ‪.‬‬
‫ﺧﻮدرو ﺑﺎ اﺳﺘﻔﺎده از ﻓﯿﻠﺘﺮﻫﺎی ﮔﺎﺑﻮر و ﻧﯿﺰ ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ درﺧـﺖ‬
‫دودوﯾﯽ ﺗﺠﺰﯾﻪ ‪ -۲‬ﺗﺸﺨﯿﺺ ﻧﻮﯾﺴﻪﻫﺎ ﺑـﺎ اﺳـﺘﻔﺎده از اﻟﮕـﻮرﯾﺘﻢﻫـﺎی‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽﺗﻮان ﻧﻮآوریﻫﺎی ﻣﻘﺎﻟﻪ را ﺑﻪ ﺻﻮرت زﯾﺮ درﻧﻈﺮ ﮔﺮﻓﺖ‪:‬‬
‫ژﻧﺘﯿﮏ و ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﯿﭽﺸﯽ ]‪ .[21‬در ﭘﮋوﻫﺸﯽ دﯾﮕـﺮ ﻣﻮﻧﺘـﺎزوﻟﯽ‬
‫‪ .۱‬ﺟﻤﻊآوری دادﮔﺎﻧﯽ از ﺗﺼـﺎوﯾﺮ ﺧﻮدروﻫـﺎی اﯾﺮاﻧـﯽ ﺷـﺎﻣﻞ ‪۵۰۰۰‬‬
‫و ﻫﻤﮑــﺎران از دادﮔــﺎﻧﯽ ﮐــﻪ ﺷــﺎﻣﻞ ‪ ۲۰۰۰‬ﺗﺼــﻮﯾﺮ از ﺧﻮدروﻫــﺎی‬
‫ﺗﺼﻮﯾﺮ‬
‫ﺑﺮزﯾﻠﯽ ﻣﯽﺑﺎﺷﺪ‪ ،‬اﺳـﺘﻔﺎده ﮐـﺮدهاﻧـﺪ‪ .‬روش ﭘﯿﺸـﻨﻬﺎدی ﺷـﺎﻣﻞ ﻣﺮاﺣـﻞ‬
‫‪ .۲‬اﺳــﺘﻔﺎده از روش اﻧﺘﻘــﺎل ﯾــﺎدﮔﯿﺮی ﺑــﺮای ﺣــﻞ ﻣﺴــﺌﻠﮥ ﺗﺸــﺨﯿﺺ‬
‫زﯾـــﺮ اﺳـــﺖ‪-۱ :‬ﺗﺸـــﺨﯿﺺ ﭘـــﻼک ﺧـــﻮدرو ﺑـــﺎ اﺳـــﺘﻔﺎده از روش‬
‫ﭘﻼک ﺧﻮدرو‬
‫ﺗﻮﺻـــﯿﻒﮔـــﺮ ‪ HOG‬ﺑـــﻪ ﻋﻨـــﻮان ﺗﻮﺻـــﯿﻒﮐﻨﻨـــﺪهﻫـــﺎی وﯾﮋﮔـــﯽ و‬
‫‪ .۳‬ﺑﺎزﺷﻨﺎﺳﯽ ﺣـﺮوف و ارﻗـﺎم ﻓﺎرﺳـﯽ ﺑـﺎ اﺳـﺘﻔﺎده از ﺷـﺒﮑﮥ ﭘﯿﭽﺸـﯽ‬
‫ﻣﺎﺷﯿﻦﺑﺮدار ﭘﺸﺘﯿﺒﺎﻧﯽ ﺑﺮای ﻃﺒﻘﻪﺑﻨـﺪی ‪-۲‬ﺗﻘﺴـﯿﻢﺑﻨـﺪی ﻧﻮﯾﺴـﻪﻫـﺎ ﺑـﺎ‬
‫اﻟﮑﺲﻧﺖ‬
‫اﺳﺘﻔﺎده از روشﻫﺎی ﺑـﺎﯾﻨﺮی ‪-۳‬ﺑﺎزﺷﻨﺎﺳـﯽ ﻧﻮﯾﺴـﻪﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از‬
‫اداﻣﮥ اﯾﻦ ﭘﮋوﻫﺶ ﺑﻪ ﺷﺮح زﯾﺮ ﺳـﺎزﻣﺎﻧﺪﻫﯽ ﺷـﺪهاﺳـﺖ‪ .‬در ﺑﺨـﺶ ‪۲‬‬
‫ﯾــﮏ ﺷــﺒﮑﻪ ﻋﺼــﺒﯽ ﭘﯿﭽﺸــﯽ ]‪ .[13‬در ﭘﮋوﻫﺸــﯽ دﯾﮕــﺮ ﭼﻮﻧــﮓ و‬
‫ﺑﺮﺧﯽ از ﮐﺎرﻫﺎی ﻣﺮﺗﺒﻂ ﻣﺮور ﺷﺪهاﻧﺪ‪ .‬در ﺑﺨﺶ ‪ ۳‬روش ﭘﯿﺸـﻨﻬﺎدی‬
‫ﻫﻤﮑــﺎران از دادﮔــﺎﻧﯽ ﮐــﻪ ﺷــﺎﻣﻞ ‪ ۲۷۱۳‬ﺗﺼــﻮﯾﺮ ﺧــﻮدرو ﻣـﯽﺑﺎﺷــﺪ؛‬
‫اﯾﻦ ﭘﮋوﻫﺶ ﺷﺮح داده ﻣﯽﺷﻮد‪ .‬در ﺑﺨـﺶ‪ ۴‬ﻧﺘـﺎﯾﺞ ﺷـﺒﯿﻪﺳـﺎزیﻫﺎ و‬
‫اﺳــﺘﻔﺎده ﮐ ـﺮدهاﻧــﺪ‪ .‬روش ﭘﯿﺸــﻨﻬﺎدی ﺷــﺎﻣﻞ ﻣﺮاﺣــﻞ زﯾــﺮ اﺳــﺖ‪-۱ :‬‬
‫ﻣﻘﺎﯾﺴﻪﻫﺎ ﮔﺰارش ﺷﺪهاﻧﺪ و ﻧﻬﺎﯾﺘ ًﺎ در ﺑﺨـﺶ ‪ ۵‬ﻧﺘﯿﺠـﻪﮔﯿﺮی ﭘـﮋوﻫﺶ‬
‫اﺳــﺘﻔﺎده از ﺷــﺒﮑﻪ ﻋﺼــﺒﯽ ﭘﯿﭽﺸــﯽ ﺑــﺮای اﺳــﺘﺨﺮاج وﯾﮋﮔــﯽﻫــﺎ ‪-۲‬‬
‫ذﮐﺮ ﻣﯽﺷﻮد‪.‬‬
‫اﺳﺘﻔﺎده از ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﻣﺼـﻨﻮﻋﯽ ﺑـﺮای ﺗﻘﺴـﯿﻢﺑﻨـﺪی و ﺗﺸـﺨﯿﺺ‬
‫ﻧﻮﯾﺴﻪﻫﺎ ]‪ .[12‬در ﭘﮋوﻫﺸﯽ دﯾﮕﺮ ﺷﺎﯾﻔﺮ از دادﮔﺎﻧﯽ ﺑﺎ ‪ ۳۰۰۰‬ﺗﺼﻮﯾﺮ‬
‫‪ ۲‬ﮐﺎرﻫﺎی ﻣﺮﺗﺒﻂ‬
‫ﺧﻮدروﻫﺎ اﺳﺘﻔﺎده ﮐﺮده اﺳـﺖ‪ .‬روش ﭘﯿﺸـﻨﻬﺎدی ﺷـﺎﻣﻞ ﻣﺮاﺣـﻞ زﯾـﺮ‬
‫اﺳﺖ‪-۱ :‬اﺳﺘﺨﺮاج وﯾﮋﮔـﯽﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از ﻣﺎﺷـﯿﻦ ﺑـﺮدار ﭘﺸـﺘﯿﺒﺎن‬ ‫در ﺳﺎلﻫﺎی اﺧﯿﺮ ﺑﺴﯿﺎری از ﭘﮋوﻫﺸﮕﺮان ﺳﻌﯽ در ﺗﺸـﺨﯿﺺ ﭘـﻼک‬
‫ﺧﻄـــﯽ ‪-۲‬ﺑﺎزﺷﻨﺎﺳـــﯽ ﻧﻮﯾﺴـــﻪﻫـــﺎ ﺑـــﺎ اﺳـــﺘﻔﺎده از ﺷـــﺒﮑﻪ ﻋﺼـــﺒﯽ‬ ‫ﺧﻮدروﻫﺎی ﻣﺨﺘﻠﻒ ﮐﺮدهاﻧﺪ‪ .‬در اداﻣﻪ ﺑﻪ ﻣﺮور ﺑﺮﺧﯽ از اﯾﻦ روشﻫـﺎ‬
‫ﻣﺼـــﻨﻮﻋﯽ]‪ .[22‬در ﭘﮋوﻫﺸـــﯽ دﯾﮕـــﺮ ﮐﻮﻣـــﺎری و ﻫﻤﮑـــﺎران ﺑـــﺮای‬ ‫ﭘﺮداﺧﺘﻪ ﻣﯽﺷﻮد‪ .‬در ﭘﮋوﻫﺸـﯽ از ﻫﺎﻧـﮓ و ﻫﻤﮑـﺎران روش ﺟﺪﯾـﺪی‬
‫ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳﯽ ﭘـﻼک از ﻣﺮاﺣـﻞ زﯾـﺮ اﺳـﺘﻔﺎده ﮐـﺮدهاﻧـﺪ‪-۱ :‬‬ ‫ﻣﺒﺘﻨﯽ ﺑﺮ ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﻋﻤﯿﻖ ﺑﺮای ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳﯽ ﭘـﻼک‬
‫اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺳﻮﺑﻞ و ﻋﻤﻠﯿﺎت آﺳـﺘﺎﻧﻪ ﺑـﺮای ﺗﺸـﺨﯿﺺ ﻣﺤـﻞ‬ ‫ﺧﻮدروﻫﺎ ﭘﯿﺸﻨﻬﺎد دادهاﻧﺪ‪ .‬اﯾﻦ ﭘﮋوﻫﺶ روی دادﮔـﺎﻧﯽ از ﭘـﻼکﻫـﺎی‬
‫ﭘﻼک ‪-۲‬در ﻣﺮﺣﻠﻪ ﺷﻨﺎﺳﺎﯾﯽ ﭘﻼک ﺧﻮدﮐﺎر‪ ،‬ﻧﻮﯾﺴـﻪﻫﺎ را ﺗﺸـﺨﯿﺺ‬ ‫ﺧﻮدروﻫــﺎی ﭼﯿﻨــﯽ ﭘﯿــﺎدهﺳــﺎزی ﺷــﺪ‪ .‬روش ﭘﯿﺸــﻨﻬﺎد ﺷــﺪه ﺷــﺎﻣﻞ‬
‫داده و ﺳﭙﺲ ﺷﻤﺎره ﭘﻼک ﺷﻨﺎﺳـﺎﯾﯽ ﺷـﺪه ﺑـﺎ دادﮔـﺎن ﻣﻄﺎﺑﻘـﺖ داده‬ ‫ﮔﺎمﻫﺎی زﯾﺮ اﺳﺖ‪ -۱ :‬اﺳﺘﺨﺮاج وﯾﮋﮔﯽ ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼـﺒﯽ‬
‫ﻣﯽﺷﻮد ]‪ .[21‬در ﭘﮋوﻫﺸﯽ دﯾﮕﺮ رﻧﺠﯿﺲ از دادﮔﺎﻧﯽ ﮐﻪ ﺷـﺎﻣﻞ ‪۲۵۰‬‬ ‫ﭘﯿﭽﺸﯽ ‪ -۲‬ﺑﺎزﺷﻨﺎﺳﯽ ﻧﻮﯾﺴﻪﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺷـﺒﮑﻪ اﻟﮑـﺲﻧـﺖ ]‪.[6‬‬
‫ﺗﺼــﻮﯾﺮ ﻣﺨﺘﻠــﻒ از ﺧﻮدروﻫــﺎ ﺗﻬﯿــﻪ و اﺳــﺘﻔﺎده ﻧﻤــﻮده اﺳ ـﺖ‪ .‬روش‬ ‫در ﭘﮋوﻫﺸــﯽ دﯾﮕــﺮ ﮐﻮاﻧﮕﺸــﻮ و ﻫﻤﮑــﺎران از دادﮔــﺎن واﻗﻌــﯽ ﺑــﺮای‬
‫ﭘﯿﺸــﻨﻬﺎدی ﺷــﺎﻣﻞ ﻣﺮاﺣــﻞ زﯾــﺮ اﺳــﺖ‪-۱ :‬ﯾــﺎﻓﺘﻦ ﻣﺤــﻞ ﭘــﻼک و‬ ‫‪1‬‬
‫)‪Iranian Plate Dataset (IPD‬‬
‫‪۸۳‬‬
‫ﻧﻮﯾﺴﻪﻫﺎی روی ﭘﻼک ﺟﺪا ﻣﯽﺷـﻮﻧﺪ و ﭘـﺲ از ﺟﺪاﺳـﺎزی ﻧﻮﯾﺴـﻪﻫـﺎ‬
‫ﺑﻪ وﺳﯿﻠﻪ ﺷﺒﮑﻪ اﻟﮑﺲﻧﺖ ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳﺎﯾﯽ ﻣﯽﺷﻮﻧﺪ‪.‬‬
‫اﯾﺠﺎد دادﮔﺎن ﺗﺼﺎوﯾﺮ ﭘﻼک ﺧﻮدرو اﯾﺮاﻧﯽ‬
‫ﮔﺎم اول‬
‫ﯾﺎﻓﺘﻦ ﻣﮑﺎن ﭘﻼک و اﺳﺘﺨﺮاج آن از ﺗﺼﻮﯾﺮ‬
‫ﺟﺪا ﮐﺮدن ﺗﮏﺗﮏ ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک‬
‫ﻫﻢ اﻧﺪازهﮐﺮدن ﻧﻮﯾﺴﻪﻫﺎ‬
‫ﮔﺎم دوم‬
‫ﺗﺸﺨﯿﺺ و دﺳﺘﻪﺑﻨﺪی ﻧﻮﯾﺴﻪﻫﺎی اﺳﺘﺨﺮاج ﺷﺪه ﺑﺎ‬
‫ﺷﺒﮑﻪ اﻟﮑﺲﻧﺖ‬
‫آزﻣﺎﯾﺶﻫﺎ و ارزﯾﺎﺑﯽ‬
‫ﺷﮑﻞ‪ :۱‬ﺷﻤﺎی ﮐﻠﯽ روش ﭘﯿﺸﻨﻬﺎدی‬
‫‪ 1-3‬ﺟﻤﻊ آوری دادﮔﺎن‬
‫ﺟﻤــﻊآوری دادﮔــﺎﻧﯽ از ﺗﺼــﺎوﯾﺮواﻗﻌﯽ ﯾﮑــﯽ از دﺳــﺘﺎوردﻫﺎی اﺻــﻠﯽ‬
‫ﭘﮋوﻫﺶ ﺣﺎﺿﺮ ﻣﯽﺑﺎﺷـﺪ‪ .‬دادﮔـﺎن ﺟﻤـﻊآوری ﺷـﺪه در اﯾـﻦ ﭘـﮋوﻫﺶ‬
‫ﺷﺎﻣﻞ ‪ ۵۰۰۰‬ﺗﺼﻮﯾﺮ از اﻧﻮاع ﻣﺨﺘﻠﻒ ﺧﻮدروﻫﺎ ﻣﯽﺑﺎﺷﺪ‪ .‬ﺑﺮای اﺧـﺬ‬
‫ﺗﺼﺎوﯾﺮ از دورﺑﯿﻨﯽ ﺑﺎ ﻣﺸﺨﺼﺎت زﯾﺮ اﺳﺘﻔﺎده ﺷﺪهاﺳﺖ‪:‬‬
‫دورﺑﯿﻦ ﻧﯿﮑﻮن ﻣﺪل ‪D3500‬‬ ‫•‬
‫ﺳﻨﺴﻮر ‪ ۲۴٬۲‬ﻣﮕﺎﭘﯿﮑﺴﻠﯽ ﻓﺮﻣﺖ ‪ DX‬از ﻧﻮع ‪CMOS‬‬
‫ﭘﺮدازﻧﺪه ‪EXPEED 4‬‬ ‫•‬
‫ﺑﺪون ﻓﯿﻠﺘﺮ ‪Low Pass‬‬ ‫•‬
‫اﻣﮑﺎن ﺗﻨﻈﯿﻢ ﺣﺴﺎﺳﯿﺖ اﯾﺰو ‪ ۱۰۰‬ﺗﺎ ‪۲۵۶۰۰‬‬ ‫•‬
‫ﺻﻔﺤﻪﻧﻤﺎﯾﺶ ﻏﯿﺮﻟﻤﺴﯽ ﺛﺎﺑﺖ ﺳﻪ اﯾﻨﭽﯽ‬ ‫•‬
‫ﺳﯿﺴﺘﻢ ﻓﻮﮐﻮس ‪ ۱۱‬ﻧﻘﻄﻪای ‪MultiCam‬‬ ‫•‬
‫اﺗﺼﺎل ﺑﻠﻮﺗﻮﺛﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻧﺮماﻓﺰار ‪SnapBridge‬‬ ‫•‬
‫ﺑﻪ ﻫﻤﺮاه ﻟﻨﺰ ‪AF-P DX 18-55mm f/3.5-5.6G VR‬‬ ‫•‬
‫ﺗﺼــﺎوﯾﺮ در ﻣﮑﺎنﻫــﺎی ﻣﺨﺘﻠــﻒ در ﺷــﻬﺮ و در ﺟــﺎده اﺧــﺬ ﺷــﺪهاﻧﺪ‪.‬‬
‫ﺑﺮﺧﯽ از ﺗﺼﺎوﯾﺮ در ﭘﺎرﮐﯿﻨﮓﻫﺎی داﺧﻠﯽ‪ ،‬ﭘﺎرﮐﯿﻨﮓ در ﻓﻀـﺎی ﺑـﺎز و‬
‫وﺳﺎﯾﻞ ﻧﻘﻠﯿﻪایﮐﻪ در ﺣﺎل ﺣﺮﮐﺖ ﻣـﯽﺑﺎﺷـﺪ‪ ،‬ﮔﺮﻓﺘـﻪ ﺷـﺪهاﻧﺪ‪ .‬در اﯾـﻦ‬
‫دادﮔﺎن ﮐﻪ ﺑﻪ ﻋﻨﻮان اﯾﺮﭘﻼک ﮐﻪ ﻣﺨﻔﻒ ﭘﻼکﻫﺎی اﯾﺮاﻧﯽ ﻧﺎمﮔـﺬاری‬
‫ﺷــﺪهاﺳــﺖ‪ ،‬ﺗﺼــﺎوﯾﺮ در ﺷــﺮاﯾﻂ ﻣﺨﺘﻠــﻒ ﺑــﺮای اﯾﺠــﺎد ﻧﻤﻮﻧــﻪﻫــﺎی‬
‫اﺳﺘﺎﻧﺪار ﺗﻬﯿﻪ ﺷﺪهاﺳﺖ‪ .‬در ﺷﮑﻞ ‪ ۲‬ﭼﻨﺪ ﻧﻤﻮﻧﻪ از ﺗﺼﺎوﯾﺮ ﺧﻮدروﻫﺎ‬
‫ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ‪.‬‬
‫داور ﮔﯿﻮﮐﯽ‪ ،‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬
‫ﺗﻘﺴﯿﻢﺑﻨـﺪی ﻧﻮﯾﺴـﻪﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از اﻟﮕـﻮی ﻧـﻮری ‪ -۲‬اﺳـﺘﻔﺎده از‬
‫ﻓﯿﻠﺘــﺮ ﮔــﺎﺑﻮر ﺑــﺮای ﺗﺸــﺨﯿﺺ ﻧﻮﯾﺴــﻪﻫــﺎ ]‪ .[22‬در ﭘﮋوﻫﺸــﯽ دﯾﮕــﺮ‬
‫ﺗﺴﻮراﺣﻤﺪ از دادﮔﺎﻧﯽ ﮐﻪ ﺷﺎﻣﻞ ‪ ۲۰۴۹‬ﺗﺼﻮﯾﺮ از ﭘﻼکﻫـﺎی ﻣﺎﺷـﯿﻦ‬
‫ﺗــﺎﯾﻮاﻧﯽ اﺳــﺖ؛ اﺳــﺘﻔﺎده ﺷــﺪه اﺳــﺖ‪ .‬در روش ﭘﯿﺸــﻨﻬﺎدی ﺑــﺮای‬
‫ﺗﺸﺨﯿﺺ ﭘﻼک از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﯿﭽﺸﯽ اﺳﺘﻔﺎده ﺷـﺪه اﺳـﺖ ]‪.[23‬‬
‫در ﭘﮋوﻫﺸـــﯽ دﯾﮕـــﺮ زارع از ﯾـــﮏ روش ﺟﺪﯾـــﺪ ﺑـــﺮای ﺗﺸـــﺨﯿﺺ و‬
‫ﺑﺎزﺷﻨﺎﺳﯽ ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک اﺳﺘﻔﺎده ﻧﻤـﻮده اﺳـﺖ‪ .‬روش ﭘﯿﺸـﻨﻬﺎدی‬
‫ﺷﺎﻣﻞ ﻣﺮاﺣﻞ زﯾﺮ اﺳﺖ‪-۱ :‬اﺳﺘﻔﺎده از ﻟﺒﻪﯾـﺎﺑﯽ‪ ،‬ﺗﺒـﺪﯾﻞ ﻫـﺎف ﺑـﺮای‬
‫ﭘﯿﺪا ﮐﺮدن ﻧﺎﺣﯿﻪ ﭘـﻼک ‪-۲‬اﺳـﺘﻔﺎده از ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﭘﯿﭽﺸـﯽ ﺑـﺮای‬
‫ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳـﯽ ﻧﻮﯾﺴـﻪﻫـﺎ ]‪ .[3‬در ﭘﮋوﻫﺸـﯽ دﯾﮕـﺮ ﻏﻼﻣﺮﺿﺎ‬
‫رادﻣﺮد درﺧﺸﯽ از روش ﺟﺪﯾﺪی ﺑﺮای ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳﯽ ﭘـﻼک‬
‫ﺧﻮدروﻫﺎ اﺳﺘﻔﺎده ﮐﺮده اﺳـﺖ‪ .‬روش ﭘﯿﺸـﻨﻬﺎدی ﺷـﺎﻣﻞ ﻣﺮاﺣـﻞ زﯾـﺮ‬
‫اﺳـــﺖ‪-۱ :‬اﺳـــﺘﻔﺎده از روشﻫـــﺎی ﺗﺒـــﺪﯾﻞ ﺗﻘـــﺎرن ﺗﻌﻤـــﯿﻢﯾﺎﻓﺘـــﻪ و‬
‫آﺷﮑﺎرﺳﺎزی ﻟﺒﻪﻫﺎی ﺗﺼـﻮﯾﺮ‪ ،‬ﺑـﺮای ﺷﻨﺎﺳـﺎﯾﯽ و ﻧﺮﻣـﺎلﺳـﺎزی ﭘـﻼک‬
‫‪-۲‬اﺳﺘﻔﺎده از ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﭘﺮﺳـﭙﺘﺮون ﭼﻨـﺪ ﻻﯾـﻪ ﺑـﺮای ﺑﺎزﺷﻨﺎﺳـﯽ‬
‫ﻧﻮﯾﺴﻪﻫﺎ ]‪ .[5‬در ﭘﮋوﻫﺸﯽ دﯾﮕﺮ اوراﻧﻮس ﮐﺎﻇﻤﯽ و ﺣﻀﺮﺗﯽ ﻓـﺮد‪ ،‬از‬
‫روش ﺟﺪﯾﺪی ﺑﺮای ﺗﺸﺨﯿﺺ و ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎ اﺳـﺘﻔﺎده‬
‫ﮐﺮدهاﻧﺪ‪ .‬روش ﭘﯿﺸﻨﻬﺎدی در اﯾﻦ ﭘﮋوﻫﺶ ﺷﺎﻣﻞ ﻣﺮاﺣـﻞ زﯾـﺮ اﺳـﺖ‪:‬‬
‫‪-۱‬ﭘﯿــﺪا ﮐــﺮدن ﻣﺤــﻞ ﭘــﻼک ﺑــﺎ اﺳــﺘﻔﺎده از ﻟﺒــﻪﯾــﺎﺑﯽ ‪-۲‬ﺗﺸــﺨﯿﺺ و‬
‫ﺑﺎزﺷﻨﺎﺳﯽ ﺗﮏﺗﮏ ﻧﻮﯾﺴﻪﻫﺎ و ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﻧﻮﯾﺴﻪﻫﺎی اﺻﻠﯽ ]‪.[4‬‬
‫‪ ۳‬روش ﭘﯿﺸﻨﻬﺎدی‬
‫در اﯾﻦ ﺑﺨـﺶ‪ ،‬روش ﭘﯿﺸـﻨﻬﺎدی اﯾـﻦ ﭘـﮋوﻫﺶ ﺷـﺮح داده ﻣـﯽﺷـﻮد‪.‬‬
‫ﺷــﻤﺎی ﮐﻠــﯽ روش ﭘﯿﺸــﻨﻬﺎدی در ﺷــﮑﻞ ‪۱‬ﻧﺸــﺎن داده ﺷــﺪه اﺳــﺖ و‬
‫ﺳﭙﺲ ﻫﺮ ﻣﺮﺣﻠﻪ ﺑﻪ ﺻﻮرت ﻣﺨﺘﺼﺮ ﺗﻮﺿﯿﺢ داده ﻣﯽﺷﻮد‪.‬‬
‫ﻋﻤﻠﯿﺎت ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدرو ﺑﻪ دو ﺑﺨﺶ اﺻﻠﯽ ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد‪:‬‬
‫‪ -۱‬اﺳﺘﺨﺮاج ﭘﻼک ﺧﻮدرو از ﺗﺼﻮﯾﺮ‬
‫‪ -۲‬ﺟﺪا ﮐﺮدن ﺗﮏﺗـﮏ ﻧﻮﯾﺴـﻪﻫـﺎی ﭘـﻼک و ﺑﺎزﺷﻨﺎﺳـﯽ ﻧﻮﯾﺴـﻪﻫـﺎی‬
‫•‬ ‫ﺗﺸﺨﯿﺺ دادهﺷﺪه‪.‬‬
‫در ﺑﺨﺶ اول ﻋﻤﻠﯿﺎت ﯾﺎﻓﺘﻦ ﻣﮑﺎن ﭘﻼک روی ﺗﺼﻮﯾﺮ رﻧﮕﯽ و ﺑﺪون‬
‫ﺗﻐﯿﯿﺮ اﻧﺪازه آن ﺑﺎ اﺳﺘﻔﺎده از ﭘﯿﻤﺎﯾﺶ ﺗﺼﻮﯾﺮ‪ ،‬ﻣﮑﺎن ﭘﻼک ﭘﯿـﺪا ﻣـﯽ‪-‬‬
‫ﺷﻮد‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ از اﻧﺠﺎم ﻋﻤﻠﯿـﺎت ﺳـﻨﮕﯿﻦ ﭘـﺮدازش ﺗﺼـﻮﯾﺮ از ﺟﻤﻠـﻪ‬
‫ﺗﻐﯿﯿﺮ اﻧـﺪازه آن‪ ،‬ﺗﺒـﺪﯾﻞ ﻫـﺎف‪ ،‬ﺑـﻪ دﺳـﺖ آوردن ﻟﺒـﻪﻫـﺎ و ﺗﺒـﺪﯾﻞ ﺑـﻪ‬
‫ﺗﺼﻮﯾﺮ ﺧﺎﮐﺴﺘﺮی و ﺑﺎﯾﻨﺮی و ﻏﯿﺮه در ﺳﻄﻊ وﺳﯿﻊ و در ﻗﻄﺎع ﺑﺰرگ‬
‫ﺗﺼﻮﯾﺮ اﻧﺠﺎم ﻧﻤﯽﺷـﻮد‪ .‬ﻫـﻢﭼﻨـﯿﻦ ﻫﻤـﺎنﻃﻮرﮐـﻪ ذﮐـﺮ ﺷـﺪ ﺑـﻪ دﻟﯿـﻞ‬
‫ﭘﯿﺸﺮﻓﺖ و ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن ﺗﺠﻬﯿﺰات ﻋﮑﺲﺑﺮداری و ﺳﺮﻋﺖ ﺑـﺎﻻی‬
‫ﺷﺎﺗﺮ دورﺑﯿﻦﻫﺎی ﻋﮑﺎﺳﯽ‪ ،‬ﺑﻪ ﺧﺼﻮص ﮐﯿﻔﯿﺖ ﺑﺎﻻی ﺗﺼـﺎوﯾﺮﮔﺮﻓﺘـﻪ‬
‫ﺷﺪه از دروﺑﯿﻦﻫﺎ‪ ،‬ﻋﻤﻠﯿﺎت ﭘﯿﺶ ﭘﺮدازش ﺑﺮای ﺑﻬﯿﻨﻪﺳـﺎزی ﺗﺼـﻮﯾﺮ‪،‬‬
‫ﭘﺎرازﯾﺖزداﯾﯽ و ﺑـﻪﺧﺼـﻮص ﺷـﻔﺎفﺳـﺎزی ﺗﺼـﻮﯾﺮ ﮐـﺎرﺑﺮد ﮐﻤﺘـﺮی‬
‫دارد‪ .‬ﭘﺲ از ﯾﺎﻓﺘﻦ ﻣﺤﻞ ﭘﻼک ﻧﯿﺎز ﺑـﻪ ﯾـﮏ ﻣﺮﺣﻠـﻪ اﻓـﺰاﯾﺶ ﮐﯿﻔﯿـﺖ‬
‫ﺗﺼــﻮﯾﺮ‪ ،‬ﺣــﺬف ﻧﻘــﺎط ﭘــﺎرازﯾﺘﯽ و ﺷــﻔﺎفﺳــﺎزی ﻧﻘــﺎط درون ﭘــﻼک‬
‫ﺗﻮﺳﻂ ﻋﻤﻠﯿﺎت ﭘﺮدازش ﺗﺼﻮﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬در ﺑﺨﺶ دوم‪ ،‬ﺗﮏﺗـﮏ‬
‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬ ‫‪۸۴‬‬

‫ﺷﮑﻞ ‪ :۲‬ﺗﺼﺎوﯾﺮی از ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬

‫ﻗﺎﺑـﻞ ذﮐـﺮ اﯾﻨﮑـﻪ در دادﮔــﺎن ﺟﻤـﻊآوری ﺷـﺪه‪ ۳۵۰۰ ،‬ﺗـﺎ از ﺗﺼــﺎوﯾﺮ‬
‫ﺧﻮدروﻫﺎ را ﺑﺮای آﻣﻮزش و ‪۱۵۰۰‬ﺗﺎ ﺗﺼﻮﯾﺮ را ﺑـﺮای آزﻣـﻮن در ﻧﻈـﺮ‬
‫ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬در ﺷﮑﻞ ‪ ۴‬ﻧﻤﻮﻧﻪای از ﺗﺼـﺎوﯾﺮ دادﮔـﺎن ﺑـﻪ ﻫﻤـﺮاه‬
‫ﻧﺘــﺎﯾﺞ اﺟــﺮای ﯾــﺎﻓﺘﻦ ﻣﺤــﻞ ﭘــﻼک ﺧــﻮدرو ﺑــﻪ ﺻــﻮرت ﺑــﺎﯾﻨﺮی‪،‬‬
‫ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک و ﯾﺎﻓﺘﻦ ﭘﻼک ﺧﻮدرو ﻣﺸﺨﺺ ﮔﺮدﯾـﺪه‬
‫‪۲‬‬
‫اﺳﺖ‪ ،‬ﻫﻤﭽﻨـﯿﻦ از ﻃﺮﯾـﻖ ﻟﯿﻨـﮏ زﯾـﺮ ﻣـﯽﺗـﻮان ﻧﺘـﺎﯾﺞ اﺟـﺮای روش‬
‫اﺳﺘﻔﺎده ﺷﺪه ﺑـﺮای ﺗﺸـﺨﯿﺺ و اﺳـﺘﺨﺮاج ﻧﻮﯾﺴـﻪﻫـﺎی ﭘـﻼک‪ ،‬روی‬
‫ﺑﺮﺧﯽ ﺗﺼﺎوﯾﺮ دادﮔﺎن را ﻣﺸﺎﻫﺪه ﮐﺮد‪.‬‬
‫ﻗﺎﺑﻞ ذﮐﺮ اﯾﻨﮑﻪ در ﺟﻤﻊآوری دادﮔﺎن ﻣﺬﮐﻮر اﻧﻮاع ﻣﺨﺘﻠﻒ ﭼﺎﻟﺶﻫـﺎ‬
‫ﻧﻈﯿﺮ ﻧﻮﯾﺰ‪ ،‬ﺷﺮاﯾﻂ ﻧﻮری ﻣﺨﺘﻠﻒ‪ ،‬ﭘﻼکﻫـﺎی ﻧﺎﺧﻮاﻧـﺎ و ﻣﺨـﺪوش و‬
‫ﺗﺎری ﺗﺎ ﺣﺪ ﻣﻤﮑﻦ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﺷﮑﻞ ‪ ۳‬ﺗﻌﺪادی از اﯾﻦ‬
‫ﺗﺼﺎوﯾﺮ و ﭼﺎﻟﺶﻫﺎی ﻣﺨﺘﻠﻒ درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه در دادﮔﺎن را ﻧﺸـﺎن‬
‫ﻣﯽدﻫــﺪ‪ .‬ﻗﺎﺑــﻞ ذﮐــﺮ اﯾﻨﮑــﻪ ﻣﺤﻘﻘــﺎن ﻣﺤﺘــﺮم ﺑــﺮای درﯾﺎﻓــﺖ دادﮔــﺎن‬
‫ﻣﻌﺮﻓﯽ ﺷﺪه در ﭘﮋوﻫﺶ ﻣﯽﺗﻮاﻧﻨﺪ از ﻃﺮﯾـﻖ ارﺳـﺎل ﻧﺎﻣـﻪ اﻟﮑﺘﺮوﻧﯿﮑـﯽ‬
‫ﺑﻪ ﯾﮑﯽ از ﻧﻮﯾﺴﻨﺪﮔﺎن و ﯾﺎ از ﻃﺮﯾﻖ ﻟﯿﻨﮏ ‪ ۱‬زﯾﺮ اﻗﺪام ﮐﻨﻨﺪ‪.‬‬

‫)ب(‬ ‫)اﻟﻒ(‬

‫)ج(‬

‫)د(‬
‫ﺷﮑﻞ ‪ .۳‬ﺑﺮﺧﯽ از ﺗﺼﺎوﯾﺮ اﺧﺬ ﺷﺪه و ﭼﺎﻟﺶﻫﺎی ﻣﻮﺟﻮد‬
‫)اﻟﻒ(‪ :‬ﺗﺼﺎوﯾﺮ ﻧﺎﺧﻮاﻧﺎ و ﻣﺨﺪوش و )ب(‪ :‬ﺗﺼﺎوﯾﺮ در زواﯾﺎی ﻣﺨﺘﻠﻒ و )ج(‪ :‬ﺗﺼﺎوﯾﺮ ﻧﻮﯾﺰی و )د(‪ :‬ﺷﺮاﯾﻂ ﻧﻮری ﻣﺘﻔﺎوت‬

‫‪1‬‬
‫‪Dataset train.rar‬ﭘﺎﯾﮕﺎه داده اﯾﺮﭘﻼک‪http://www.afarinesh.ac.ir//‬‬
‫‪2‬‬
‫‪.rar‬ﮔﺮﻧﺪﺗﺮوث‪/‬ﮔﺮﻧﺪﺗﺮوث‪http://www.afarinesh.ac.ir/‬‬ ‫‪/dataset test.rar‬ﭘﺎﯾﮕﺎه داده اﯾﺮﭘﻼک‪http://www.afarinesh.ac.ir/‬‬
‫‪۸۵‬‬ ‫داور ﮔﯿﻮﮐﯽ‪ ،‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬

‫ﺗﺼﻮﯾﺮ اﺻﻠﯽ‬ ‫ﯾﺎﻓﺘﻦ ﻣﺤﻞ ﭘﻼک‬ ‫ﺗﺼﻮﯾﺮ اﺻﻠﯽ‬ ‫ﯾﺎﻓﺘﻦ ﻣﺤﻞ ﭘﻼک‬

‫ﯾﺎﻓﺘﻦ ﭘﻼک ﺧﻮدرو‬ ‫ﯾﺎﻓﺘﻦ ﭘﻼک ﺧﻮدرو‬

‫ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک ﺧﻮدرو‬ ‫ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک ﺧﻮدرو‬

‫)ب(‬ ‫)اﻟﻒ(‬

‫ﺷﮑﻞ ‪ :۴‬ﻧﺘﺎﯾﺞ اﺟﺮای روش اﺳﺘﻔﺎده ﺷﺪه ﺑﺮای ﺗﺸﺨﯿﺺ و اﺳﺘﺨﺮاج ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک‪ ،‬روی ﺑﺮﺧﯽ ﺗﺼﺎوﯾﺮ دادﮔﺎن ﺟﻤﻊآوری ﺷﺪه‬
‫)اﻟﻒ(‪ :‬اول و )ب(‪ :‬دوم‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻦ ﻧﮑﺘـﻪ ﻣـﯽﺗـﻮان اﯾـﻦ وﯾﮋﮔـﯽ را ﺷـﮑﻞ ﭘﻼکﻫـﺎی ﻣﻠـﯽ‬
‫ﺟﺪﯾﺪ ﮐﻪ ﻣﻄﺎﺑﻖ ﺑﺎ اﺳﺘﺎﻧﺪاردﻫﺎی ﺟﻬﺎﻧﯽ ﺗﻬﯿﻪ ﺷﺪهاﻧﺪ‪ ،‬داﻧﺴﺖ‪ .‬ﻃﺒﻖ‬ ‫‪ ۳-۲‬اﺳﺘﺨﺮاج ﭘﻼک ﺧﻮدرو از ﺗﺼﻮﯾﺮ‬
‫روش ﭘﯿﺸــﻨﻬﺎدی ﻣﮑــﺎنﻫــﺎﯾﯽ ﮐــﻪ اﺣﺘﻤــﺎل ﻣــﯽرود ﭘــﻼک ﺑﺎﺷــﻨﺪ‪،‬‬ ‫در اﯾﻦ ﻣﺮﺣﻠﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺮﮐﯿـﺐ اﻟﮕﻮرﯾﺘﻢﻫـﺎی ﻣﺨﺘﻠـﻒ ﭘـﺮدازش‬
‫ﻣﺸــﺨﺺ ﺷــﺪه و از ﺗﺼــﻮﯾﺮ اﺳــﺘﺨﺮاج و ﺟــﺪا ﻣﯿﺸــﻮد‪ .‬در ﺷــﮑﻞ ‪۵‬‬ ‫ﻞ ﭘـﻼک ﺧـﻮدرو ﺷﻨﺎﺳـﺎﯾﯽ و در ﻧﻬﺎﯾـﺖ ﭘـﻼک ﺧـﻮدرو‬
‫ﺗﺼﻮﯾﺮ‪ ،‬ﻣﺤ ِ‬
‫روﻧﺪﻧﻤﺎی اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک ﻧﺸﺎن داده ﻣﯽﺷﻮد‪.‬‬ ‫اﺳﺘﺨﺮاج ﻣﯽﺷـﻮد‪ .‬روش اﺳـﺘﻔﺎده ﺷـﺪه در اﯾـﻦ اﻟﮕـﻮرﯾﺘﻢ ﺑـﺮ ﻣﺒﻨـﺎی‬
‫ﺷﻨﺎﺳﺎﯾﯽ ﯾﮏ اﻟﮕﻮ در ﺗﺼﻮﯾﺮ اﺳﺖ‪ ،‬ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮای ﻣﮑﺎنﯾـﺎﺑﯽ ﭘـﻼک‬
‫درون ﺗﺼــﻮﯾﺮ ﻧﯿــﺎز ﺑــﻪ ﯾ ـﺎﻓﺘﻦ ﯾــﮏ وﯾﮋﮔــﯽ ﺛﺎﺑــﺖ اﺳــﺖ ﮐــﻪ در ﮐﻠﯿــﻪ‬
‫‪ ۳-۲-۱‬ﻋﻤﻠﯿﺎت ﭘﯿﺶﭘﺮدازش‬ ‫ﭘﻼکﻫﺎ ﻣﺸﺘﺮک اﺳﺖ‪.‬‬
‫در اﺑﺘﺪا ﺗﺼﻮﯾﺮ ﺧﻮدرو ﻓﺮاﺧﻮاﻧﯽ ﺷﺪه و ﺑﻪ ﺧﺎﮐﺴﺘﺮی‬
‫ﺗﺒﺪﯾﻞ ﻣـﯽﺷـﻮد‪ .‬در ﺷـﮑﻞ ‪ ۶‬ﺗﺼـﻮﯾﺮ ورودی و ﻧﻤـﺎی ﺧﺎﮐﺴـﺘﺮی آن‬
‫ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﻣﯽﺑﺎﺷﺪ‪.‬‬

‫)اﻟﻒ(‬ ‫)ب(‬

‫ﺷﮑﻞ ‪) :٦‬اﻟﻒ( ﺗﺼﻮﯾﺮ ورودی‪) ،‬ب( ﺗﺼﻮﯾﺮ ﺧﺎﮐﺴﺘﺮی‬

‫در ﮔﺎم ﺑﻌﺪی ﺑﺎ اﺳﺘﻔﺎده از ﻓﯿﻠﺘﺮ ﮔﻮﺳﯽ‪ ،‬ﺗﺎ ﺣﺪی ﺗﺼـﺎوﯾﺮ رﻓـﻊ ﻧـﻮﯾﺰ‬
‫ﻣﯽﺷﻮﻧﺪ‪.‬‬

‫ﺷﮑﻞ ‪ :۵‬روﻧﺪﻧﻤﺎی اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک)ﮔﺎم اول(‬

‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬ ‫‪۸۶‬‬

‫]‪ .[4] [2‬ﮔﺴﺘﺮش ‪ A‬و ‪ B‬را ﺑﺎ ‪ A۩B‬ﻧﻤﺎﯾﺶ داده و ﺑﻪ ﺻﻮرت زﯾـﺮ‬ ‫‪ ۳-۲-۲‬ﭘﯿﺪا ﮐﺮدن ﻟﺒﻪﻫﺎ در ﺗﺼﻮﯾﺮ‬
‫ﺗﻌﺮﯾﻒ ﻣﯽﮐﻨﯿﻢ‪:‬‬ ‫ﻣﺮﺣﻠﮥ ﺑﻌﺪی ﺑـﺮای ﯾـﺎﻓﺘﻦ ﻣﺤـﻞ ﭘـﻼک ﺗﺼـﻮﯾﺮ‪ ،‬اﻋﻤـﺎل ﻋﻤﻠﮕﺮﻫـﺎی‬
‫ﻟﺒﻪﯾﺎﺑﯽ اﺳﺖ‪ .‬ﻗﺎﺑﻞ ذﮐﺮ اﯾﻨﮑﻪ در اﯾﻦ ﭘـﮋوﻫﺶ ﻋﻤﻠﮕﺮﻫـﺎی ﻟﺒـﻪﯾـﺎﺑﯽ‬
‫راﺑﻄﻪ )‪(2‬‬
‫ﻣﺨﺘﻠﻒ ﻧﻈﯿﺮ ﺳﻮﺑﻞ‪ ،‬ﮐﻨﯽ و ‪ ...‬اﺳﺘﻔﺎده و ﺑﺮرﺳﯽ ﺷﺪهاﻧﺪ‪ .‬در ﻧﻬﺎﯾﺖ‬
‫ﺑﻬﺘﺮﯾﻦ ﻧﺘﺎﯾﺞ ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮ ﺳﻮﺑﻞ ﺣﺎﺻﻞ ﺷﺪ‪ .‬ﺑﻨـﺎﺑﺮاﯾﻦ ﺑـﺮای‬
‫ﺗﺼﻮﯾﺮ ﭘـﺮ ﻣـﯽﺷـﻮد و ﻣﺴـﯿﺮی ﮐـﻪ ﭘـﻼک در آن ﻗـﺮار دارد ﻣﺸـﺨﺺ‬ ‫ﻟﺒﻪﯾﺎﺑﯽ در اداﻣﮥ ﭘﮋوﻫﺶ از اﯾـﻦ ﻋﻤﻠﮕـﺮ اﺳـﺘﻔﺎده ﺷـﺪ‪ .‬در اﻟﮕـﻮرﯾﺘﻢ‬
‫ﻣﯽﺷﻮد‪ .‬در اﯾﻦ ﻣﺮﺣﻠﻪ ﻗﺴـﻤﺖﻫـﺎی ﺳـﯿﺎه رﻧـﮓ )ﻣﻘـﺎدﯾﺮ ﺻـﻔﺮ ( و‬ ‫ﺳﻮﺑﻞ ﺑﺎ ﺗﻌﺮﯾﻒ ﯾﮏ ﺣﺪآﺳـﺘﺎﻧﻪ ﭘﯿﮑﺴـﻞﻫﺎی ﻟﺒـﻪ از ﺳـﺎﯾﺮ ﭘﯿﮑﺴـﻞﻫﺎ‬
‫ﺣﻔــﺮهﻫــﺎی درون ﯾــﮏ ﺗﺼــﻮﯾﺮ ﮐــﻪ ﺑــﻪ رﻧــﮓ ﺳ ـﯿﺎه ﻫﺴــﺘﻨﺪ را ﺳــﻔﯿﺪ‬ ‫ﺟﺪا ﻣﯽﺷﻮﻧﺪ‪ .‬ﻣﻌﻤﻮﻻً اﯾﻦ ﺣﺪ آﺳﺘﺎﻧﻪ ﺑﻪ ﻃﻮر ﺗﺠﺮﺑﯽ ﺗﻌﯿـﯿﻦ ﻣﯽﺷـﻮد‬
‫ﻣﯽﮐﻨﯿﻢ‪ .‬در اﯾﻦ ﻣﺮﺣﻠﻪ ﺣﻔﺮﻫﺎ ﭘﺮ ﺷﺪه اﺳﺖ و در واﻗﻊ ﭘﯿﮑﺴـﻞﻫـﺎی‬ ‫و ﺑﺮای ﻫﺮ ﺗﺼﻮﯾﺮ اﯾﻦ ﻣﻘـﺪار ﻣﺘﻔـﺎوت اﺳـﺖ‪ .‬در اﯾـﻦ ﭘـﮋوﻫﺶ ﺣـﺪ‬
‫ﭘﺲزﻣﯿﻨﻪ )ﺻﻔﺮ( ﺑﻪ ﭘﯿﮑﺴﻞﻫﺎی ﭘﯿﺶزﻣﯿﻨﻪ )ﯾﮏ( ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮﻧﺪ‪.‬‬ ‫آﺳــﺘﺎﻧﻪ ﺑــﻪ ﻃــﻮر ﺗﻄﺒﯿــﻖ ﭘــﺬﯾﺮی ﺑــﺎ اﺳــﺘﻔﺎده از ﻣﻘــﺎدﯾﺮ ﻣﯿــﺎﻧﮕﯿﻦ و‬
‫وارﯾﺎﻧﺲ ﺗﺼﻮﯾﺮ ﺑﻪ ﻃﻮری ﮐﻪ در راﺑﻄﻪ )‪ (۱‬ﻣﻼﺣﻈﻪ ﻣـﯽﺷـﻮد ﺗﻌﯿـﯿﻦ‬
‫در راﺑﻄﮥ )‪ A ،(۲‬ﺗﺼـﻮﯾﺮ ورودی و ‪ B‬ﻋﻨﺼـﺮ ﺳـﺎزﻧﺪه ﻣـﯽﺑﺎﺷـﺪ‪ .‬در‬ ‫ﻣﯽﮔﺮدد‪.‬‬
‫واﻗﻊ ﻣﺮﮐﺰ ﻋﻨﺼﺮﺳﺎزﻧﺪه ﺗﮏﺗﮏ روی ﭘﯿﮑﺴﻞﻫـﺎی ﻣـﺎﺗﺮﯾﺲ ﺗﺼـﻮﯾﺮ‬
‫ﻗﺮار ﻣـﯽﮔﯿـﺮد‪ .‬اﮔـﺮ ﺗﻨﻬـﺎ ﯾـﮏ ﭘﯿﮑﺴـﻞ از ﻣـﺎﺗﺮﯾﺲ ﻋﻨﺼـﺮﺳـﺎزﻧﺪه ﺑـﺎ‬ ‫=‪Pm‬‬
‫ﭘﯿﮑﺴﻞﻫﺎی ﭘﯿﺶزﻣﯿﻨﻪ ﻫﻢﭘﻮﺷﺎﻧﯽ داﺷﺘﻪ ﺑﺎﺷـﺪ‪ ،‬ﻋﻨﺼـﺮﺳـﺎزﻧﺪه در آن‬
‫ﺟﺎ ﮐﭙﯽ ﻣﯽﮔﺮدد‪ .‬از اﯾﻦ ﺗﺎﺑﻊ و ﻋﻨﺼﺮﺳﺎزﻧﺪه ﻟـﻮزی ﺷـﮑﻞ ﺑـﺎ ﺷـﻌﺎع‬ ‫راﺑﻄﻪ )‪(۱‬‬

‫ﻟﻮزی ﺑﺮاﺑﺮ ﺑﺎ ‪۱‬ﺳﺎﻧﺘﯽﻣﺘﺮ ﺑﺮای اﻓﺰاﯾﺶ ﻟﺒـﻪﻫـﺎ اﺳـﺘﻔﺎده ﻣـﯽﮐﻨـﯿﻢ‪ .‬در‬

‫‪T=Pm+‬‬
‫ﺷﮑﻞ ‪ ۸‬ﻧﺘﯿﺠﻪ ﺣﺎﺻﻞ از ﺗﺎﺑﻊ اﻓﺰاﯾﺶدﻫﻨﺪه ﻧﺸﺎن داده ﻣﯽﺷﻮد‪.‬‬

‫در ﺷﮑﻞ ‪ ۷‬ﺗﺼﻮﯾﺮ ﺑﻌﺪ از ﻟﺒﻪﯾﺎﺑﯽ ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ‪.‬‬

‫ﺷﮑﻞ ‪ :۸‬ﺗﺼﻮﯾﺮ ﺑﺎﯾﻨﺮی ﺷﺪه ﺑﻌﺪ از اﻓﺰاﯾﺶدﻫﯽ‬

‫ﺷﮑﻞ ‪ :۷‬ﺗﺼﻮﯾﺮ ﺣﺎﺻﻞ ﺑﻌﺪ از اﻋﻤﺎل ﻟﺒﻪﯾﺎﺑﯽ‬

‫‪ ۳-۲-۴‬ﭘﺮﮐﺮدن ﺣﻔﺮهﻫﺎی ﺗﺼﻮﯾﺮ‬ ‫‪ 3-2-3‬ﮔﺴﺘﺮش اﺷﯿﺎء ﻣﻮﺟﻮد در ﭘﻼک‬

‫در اﯾﻦ ﻗﺴﻤﺖ ﯾﮏ ﻋﻨﺼﺮ ﺳﺎزﻧﺪه ﺧﻄﯽ ﺑﻪ ﻃﻮل ‪۳‬ﺳﺎﻧﺘﯽﻣﺘﺮ و زاوﯾـﻪ‬ ‫در اداﻣـــﻪ ﺑـــﺮای ﺷﻨﺎﺳـــﺎﯾﯽ ﺑﻬﺘـــﺮ ﻣﺤـــﻞ ﭘـــﻼک‪ ،‬از ﻋﻤﻠﮕﺮﻫـــﺎی‬
‫‪ ۹۰‬درﺟــﻪ ﺑــﻪ ﺻــﻮرت ﻋﻤــﻮدی ﺑــﻪ ﺗﺼــﻮﯾﺮ اﻋﻤــﺎل ﻣﯽﺷــﻮد‪ .‬دﻟﯿــﻞ‬ ‫رﯾﺨﺖﺷﻨﺎﺳﯽ )ﻣﻮرﻓﻮﻟﻮژی( اﺳﺘﻔﺎده ﻣﯽﺷﻮد‪ .‬ﺑﻪ ﻫﻤﯿﻦ ﻣﻨﻈـﻮر اﺑﺘـﺪا‬
‫اﺳﺘﻔﺎده از اﯾﻦ ﻋﻨﺼﺮ ﺳـﺎزﻧﺪه ﭘﺮﮐـﺮدن ﺣﻔـﺮهﻫـﺎ در ﻣﺴـﯿﺮﻫﺎی ﺑﺴـﺘﻪ‬ ‫ﻣﻔﻬﻮم ﻋﻨﺼﺮﺳﺎزﻧﺪه‪ ۱‬را ﺗﻌﺮﯾﻒ ﻣﯽﮐﻨﯿﻢ‪ .‬ﻫﺮ ﻋﻨﺼـﺮ ﺳـﺎزﻧﺪه از ﯾـﮏ‬
‫اﺳﺖ‪.‬‬ ‫ﯾﺎ ﭼﻨﺪ ﭘﯿﮑﺴﻞ ﺗﺸﮑﯿﻞ ﺷﺪه ﮐﻪ ﺑﺎ ﻗﺮار ﮔﺮﻓﺘﻦ اﯾﻦ ﭘﯿﮑﺴﻞﻫـﺎ در ﮐﻨـﺎر‬
‫ﺑﺮای اﯾﻦ ﮐﺎر ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﯾﻞ ﮔﺴﺘﺮش ﻣﯽﺗﻮان ﻧﻘﻄﮥ درون ﻧﺎﺣﯿـﻪ‬ ‫ﯾﮑﺪﯾﮕﺮ ﯾﮏ ﺷﮑﻞ ﺧﺎص ﺗﺸﮑﯿﻞ ﻣﯽﺷﻮد‪ .‬ﮔﺴﺘﺮشدﻫﻨـﺪه ﻋﻤﻠﮕـﺮی‬
‫را ﺗﺎ ﺣﺪی رﺷﺪ داد ﮐﻪ ﮐﻞ ﻧﺎﺣﯿﻪ را ﺑﭙﻮﺷﺎﻧﺪ‪ .‬اﯾﻦ ﻋﻤﻞ ﺑﺎ اﺳﺘﻔﺎده از‬ ‫اﺳﺖﮐﻪ اﺷـﯿﺎی ﻣﻮﺟـﻮد در ﺗﺼـﻮﯾﺮ را ﺑﺰرگﺗـﺮ و ﺿـﺨﯿﻢﺗﺮ ﻣـﯽﮐﻨـﺪ‪.‬‬
‫راﺑﻄﻪ ﻣﻮرﻓﻮﻟﻮژی ﮐﻪ در راﺑﻄﻪ ‪ ۳‬آﻣﺪه اﺳﺖ‪ ،‬اﻧﺠﺎم ﮔﺮﻓﺘﻪ اﺳﺖ‪.‬‬ ‫روش و اﻧﺪازه اﯾﻦ ﺿـﺨﯿﻢﺳـﺎزی ﻧﯿـﺰ ﺗﻮﺳـﻂ ﺷـﮑﻞ و اﻧـﺪازه ﻋﻨﺼـﺮ‬
‫ﺳﺎزﻧﺪه ﮐﻨﺘﺮل ﻣـﯽﺷـﻮد‪ .‬ﯾﮑـﯽ از ﺳـﺎدهﺗﺮﯾﻦ ﮐﺎرﺑﺮدﻫـﺎی اﯾـﻦ ﻋﻤﻠﮕـﺮ‬
‫)‪= (B‬‬ ‫‪XK-1‬‬ ‫راﺑﻄﻪ )‪(۳‬‬ ‫ﻣﺘﺼﻞ ﮐﺮدن ﺟﺪاﺷﺪﮔﯽﻫﺎی درون ﺗﺼـﻮﯾﺮ و ﭘﺮﮐـﺮدن ﻓﻮاﺻـﻞ اﺳـﺖ‬

‫ﺣﻔﺮهﻫﺎی ﭘﺮ ﺷﺪه در ﺷﮑﻞ ‪ ۹‬ﻧﺸﺎن داده ﻣﯽﺷﻮﻧﺪ‪.‬‬ ‫‪1‬‬

‫‪strel‬‬
‫‪۸۷‬‬ ‫داور ﮔﯿﻮﮐﯽ‪ ،‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬

‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫ﺷﮑﻞ‪:۱۱‬ﻣﺎﺗﺮﯾﺲ ﺑﺮﭼﺴﺐ‬

‫اﻧــﻮاع ﻣﺸﺨﺼــﺎت ﯾــﮏ ﻣــﺎﺗﺮﯾﺲ در ﯾــﮏ ﻣﺘﻐﯿــﺮ ﺑــﻪ ﺻــﻮرت ﯾــﮏ‬

‫ﺳــﺎﺧﺘﺎر‪۲‬ذﺧﯿــﺮه ﻣــﯽﺷــﻮد‪ .‬ﺑــﺮای ﯾــﺎﻓﺘﻦ ﻧﺎﺣﯿــﻪ ﭘــﻼک ﺑــﺎ اﺳــﺘﻔﺎده از‬
‫ﺷﮑﻞ ‪ :۹‬ﺗﺼﻮﯾﺮ ﺣﺎﺻﻞ ﭘﺲ از ﭘﺮ ﮐﺮدن ﺣﻔﺮهﻫﺎ‬
‫ﻣﺎﺗﺮﯾﺲ ﺑﺮﭼﺴﺐ‪ ،‬ﺑﻪ دﻧﺒﺎل ﻗﺴﻤﺖﻫﺎﯾﯽ ﮐﻪ ﻣﺴـﺎﺣﺖ و ﺷـﮑﻞ آن ﺑـﻪ‬
‫ﭘﻼک ﻧﺰدﯾﮑﺘﺮ اﺳﺖ؛ ﻣﯽﮔﺮدد‪ .‬ﻃﺒﻖ آزﻣﺎﯾﺸﺎﺗﯽ ﮐﻪ ﺑﺮای ﯾﺎﻓﺘﻦ ﻧﺎﺣﯿـﻪ‬
‫‪ ۳-۲-۵‬ﺣﺬف ﻗﺴﻤﺖﻫﺎی اﺿﺎﻓﯽ‬
‫دﻗﯿﻖ ﭘﻼک اﻧﺠﺎم دادهاﯾﻢ‪ ،‬درﯾـﺎﻓﺘﯿﻢ ﺑﻬﺘـﺮﯾﻦ ﭘﺎراﻣﺘﺮﻫـﺎﯾﯽ ﮐـﻪ ﻣﺤـﻞ‬
‫ﭘﻼک را ﺑﻪ درﺳﺘﯽ ﺗﺸﺨﯿﺺ ﻣﯽدﻫﻨﺪ ﺑﻪ اﯾﻦﮔﻮﻧﻪ ﻣﯽﺑﺎﺷﻨﺪ‪:‬‬ ‫در اﯾﻦ ﺣﺎﻟﺖ ﺑﺎ اﺳﺘﻔﺎده از دو ﻋﻨﺼﺮ ﺳﺎزﻧﺪه ﺧﻄﯽ )ﯾﮑﯽ ﺑﻪ ﺻﻮرت‬
‫وﺳﻌﺖ ﺷﯽء ﻣﻮرد ﻧﻈﺮ ﺑﺎﯾﺪ از ‪ ۰٬۸‬ﺑﯿﺸﺘﺮ ﺑﺎﺷﺪ )ﺷـﺒﺎﻫﺖ ﺑﯿﺸـﺘﺮ ﺑـﻪ‬ ‫اﻓﻘﯽ ﺑﺎ زاوﯾﻪ ﺻﻔﺮ درﺟﻪ و ﻋﻨﺼﺮ ﺳﺎزﻧﺪه دﯾﮕﺮ ﺑـﻪ ﺻـﻮرت ﻋﻤـﻮدی‬
‫ﻣﺴﺘﻄﯿﻞ(‪ ،‬ﻃﻮل ﻗﺴـﻤﺖ ﻣـﻮرد ﻧﻈـﺮ ﺑـﻪ ﻋﺮﺿـﺶ ﺑﺎﯾـﺪ از ‪ ۳‬ﺑﺮاﺑـﺮ آن‬ ‫ﺑﺎ زاوﯾـﻪ ‪۹۰‬درﺟـﻪ( ﻗﺴـﻤﺖﻫـﺎی اﺿـﺎﻓﯽ ﺗﺼـﻮﯾﺮ ﺣـﺬف ﻣـﯽﺷـﻮﻧﺪ‪.‬‬
‫ﺑﯿﺸﺘﺮ و از ‪ ۶‬ﺑﺮاﺑﺮ آن ﮐﻤﺘﺮ ﺑﺎﺷﺪ‪ .‬در ﺷﮑﻞ ‪ ۱۲‬ﻧﺎﺣﯿﻪ ﻣﺸﺨﺺ ﺷـﺪه‬ ‫ﻧﺘﯿﺠﻪ اﯾﻦ ﻋﻤﻠﯿﺎت در ﺷﮑﻞ ‪ ۱۰‬ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮد‪.‬‬
‫ﭘﻼک ﻧﻤﺎﯾﺶ داده ﻣﯽﺷﻮد‪.‬‬

‫ﺷﮑﻞ ‪ :۱۲‬ﭘﯿﺪا ﮐﺮدن ﻧﺎﺣﯿﻪ ﭘﻼک‬ ‫ﺷﮑﻞ ‪ :۱۰‬ﺗﺼﻮﯾﺮ ﺣﺎﺻﻞ ﭘﺲ از ﭘﺮ ﮐﺮدن ﺣﻔﺮهﻫﺎ و ﺑﺎز‬
‫ﮐﺮدن آن ﺑﺎ ﻋﻨﺼﺮﺳﺎزﻧﺪه ﺧﻄﯽ‬

‫‪ ۳-۲-۷‬ﺻﺤﺖ ﺷﻨﺎﺳﺎﯾﯽ ﭘﻼک‬

‫‪ ۳-۲-۶‬ﭘﯿﺪاﮐﺮدن ﻧﺎﺣﯿﻪ ﭘﻼک و ﺑﻬﯿﻨﻪﺳﺎزی آن‬
‫در روش اراﺋﻪ ﺷﺪه در اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﺗﻨﻬﺎ ﯾﮏ ﻧـﺎﻣﺰد ﮐـﻪ ﻣﮑـﺎن اﺻـﻠﯽ‬
‫ﭘــﻼک ﺧــﻮدرو اﺳــﺖ؛ ﯾﺎﻓــﺖ و ﻣﻌﺮﻓــﯽ ﻣــﯽﺷــﻮد‪ .‬ﺧﺼﻮﺻ ـ ًﺎ ﮐــﻪ در‬ ‫در اﯾﻦ ﻣﺮﺣﻠﻪ اﺑﺘﺪا ﺗﺼﺎوﯾﺮ ﺑﺎﯾﻨﺮی ﺑﺮای اﻧﺠﺎم ﻋﻤﻠﯿـﺎت آﻣـﺎدهﺳـﺎزی‬

‫ﺗﺼﺎوﯾﺮ ﺑـﻪ دﺳـﺖ آﻣـﺪه از دورﺑـﯿﻦﻫـﺎ ﻣﻌﻤـﻮﻻ ﺗﻨﻬـﺎ ﯾـﮏ ﺧـﻮدرو در‬ ‫ﻣﯽﺷﻮﻧﺪ‪ .‬اﺷﯿﺎء درون ﯾﮏ ﺗﺼﻮﯾﺮ ﺑـﺎﯾﻨﺮی ﻫﻤﮕـﯽ دارای ﻣﻘـﺪار ﯾـﮏ‬

‫ﺗﺼﻮﯾﺮ دﯾﺪه ﻣﯽﺷﻮد‪ .‬اﻣﺎ ﺑﺮای ﺑﺎﻻ ﺑﺮدن ﻗﺪرت اﻃﻤﯿﻨﺎن‪ ،‬ﻫـﺮ ﺟـﺎ ﮐـﻪ‬ ‫ﻫﺴﺘﻨﺪ‪ .‬ﺑﺮای اﻧﺠﺎم ﻋﻤﻠﯿﺎت ﻣﺨﺘﻠﻒ روی اﯾﻦ ﺗﺼﺎوﯾﺮ‪ ،‬ﯾﮏ ﺳﯿﺴﺘﻢ‬

‫اﺣﺘﻤﺎل ﭘﻼک ﺑﻮدن را داراﺳﺖ از ﺗﺼﻮﯾﺮ ﺟﺪا و ﻣﻮرد ﭘـﺮدازش ﻗـﺮار‬ ‫ﮐﺎﻣﭙﯿﻮﺗﺮی ﺑﺎﯾﺪ اﺷﯿﺎء را از ﻫﻤﺪﯾﮕﺮ ﻣﺘﻤﺎﯾﺰ ﺑﺪاﻧـﺪ‪ .‬ﺑـﺮای ﻣﺜـﺎل ﺷـﯽء‬

‫ﻣﯽﮔﯿﺮد‪ .‬اﮐﻨﻮن ﺑﺎﯾﺪ ﺻﺤﺖ ﭘﻼک ﯾﺎﻓﺘﻪﺷﺪه ﺗﻌﯿـﯿﻦ ﺷـﻮد ﺑـﺮای اﯾـﻦ‬ ‫ﺷﻤﺎره ‪ ،۱‬ﺷﯽء ﺷﻤﺎره ‪ ۲‬و ﯾﺎ ﺑﯿﺸﺘﺮ‪ ،‬اﻣﺎ ﻫﻤﮕﯽ ﺑﺎﯾﺪ ﺑـﻪ رﻧـﮓ ﺳـﻔﯿﺪ‬

‫ﻣﻨﻈﻮر ﻣﮑﺎﻧﯽ ﮐﻪ اﺣﺘﻤﺎل ﻣﯽرود ﭘﻼک ﺑﺎﺷﺪ از ﺗﺼـﻮﯾﺮ ﺟـﺪا ﺷـﺪه و‬ ‫ﺑﺎﺷﺪ و ﺗﻐﯿﯿﺮ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﺑﺮای اﯾﻦ ﮐﺎر ﺗﺼﻮﯾﺮ ﺑـﻪ ﻣﺎﺗﺮﯾﺴـﯽ ﺗﺒـﺪﯾﻞ‬

‫ﺑﻪ ﺗﺎﺑﻊ ﺗﺸﺨﯿﺺ اﻋـﺪاد و ﺣـﺮوف ارﺟـﺎع داده ﺧﻮاﻫـﺪ ﺷـﺪ‪ ،‬اﮔـﺮ از‬ ‫ﻣﯽﺷﻮد‪ ،‬ﮐﻪ ﻣﺎﺗﺮﯾﺲ ﺑﺮﭼﺴﺐ‪ ۱‬ﻧﺎﻣﯿـﺪه ﻣـﯽﺷـﻮد و ﻫـﺮ ﯾـﮏ از اﺷـﯿﺎء‬

‫ﺗﺼﻮﯾﺮ ﺑﻪ دﺳﺖ آﻣﺪه از ﻣﺮﺣﻠﻪ ﻣﮑﺎنﯾﺎﺑﯽ ﭘﻼک ﺧـﻮدرو‪ ،‬ﺑـﻪ ﺗﺮﺗﯿـﺐ‬ ‫ﺷﻤﺎرۀ ﻣﺨﺼﻮص ﺑﻪ ﺧـﻮد را دارد‪ .‬در ﺷـﮑﻞ ‪ ۱۱‬ﻣـﺎﺗﺮﯾﺲ ﺑﺮﭼﺴـﺐ‬

‫از ﭼــﭗ ﺑــﻪ راﺳــﺖ دو ﻋــﺪد ﺳــﭙﺲ ﯾــﮏ ﺣــﺮف و ﻧﻬﺎﯾﺘ ـ ًﺎ ﭘــﻨﺞ ﻋــﺪد‬ ‫ﺧﻮرده دﯾﺪه ﻣﯽﺷﻮد‪.‬‬

‫ﺗﺸﺨﯿﺺ داده و ﺧﻮاﻧﺪه ﺷﻮد‪ ،‬ﻣﮑﺎن ﯾﺎﻓﺘﻪ ﺷﺪه ﺣﺘﻤـﺎ ﭘـﻼک اﺳـﺖ‪،‬‬
‫در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﭘﻼک ﻧﺨﻮاﻫﺪ ﺑﻮد ]‪.[۳][۲‬‬

‫‪2‬‬ ‫‪1‬‬
‫‪Structure‬‬ ‫‪label matrix‬‬
‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬ ‫‪۸۸‬‬

‫‪ ۳-۲-۸‬ﺑﺮش ﭘﻼک‬
‫وﻗﺘﯽ ﻧﺎﺣﯿﮥ ﭘﻼک ﭘﯿﺪا ﺷﺪ زاوﯾﻪ ﻧﺎﺣﯿﻪ ﻣﻮرد ﻧﻈﺮ را ﻧﺴﺒﺖ ﺑـﻪ ﺳـﻄﺢ‬
‫اﻓﻖ ﺑﻪ دﺳﺖ ﻣﯽآﯾﺪ‪ .‬در ﻧﻬﺎﯾﺖ ﻧﺎﺣﯿﻪ ﺗﺸﺨﯿﺺ داده ﺷﺪه ﺑـﻪ ﻋﻨـﻮان‬
‫ﭘﻼک ﻣﺸﺨﺺ ﻣﯽﺷﻮد‪.‬در ﺷﮑﻞ ‪ ۱۳‬ﺗﺼﻮﯾﺮ ﭘﻼک ﺑـﺮش داده ﺷـﺪه‬
‫ﺷﮑﻞ ‪ :۱۶‬اﻓﻘﯽ ﮐﺮدن و ﺟﺪاﺳﺎزی ﻧﻮاﺣﯽ ﻣﻮرد ﻟﺰوم ﭘﻼک‬
‫ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ‪.‬‬

‫در اداﻣﻪ ﺑﺮای اﯾﻨﮑﻪ ﺑﺘﻮان ﺑﻪ ﻃﻮر دﻗﯿﻖﺗﺮ ﻧﺎﺣﯿﻪ ﭘﻼک را ﭘﯿﺪا ﮐـﺮد ﺑـﻪ‬
‫اﯾﻦ ﺻﻮرت ﻋﻤﻞ ﻣﯽﺷﻮد‪ .‬اﺑﺘﺪا اﺷﯿﺎء درون ﺷﮑﻞ ﺑﺮﭼﺴﺐ زده ﻣﯽ‪-‬‬
‫ﺷــﻮﻧﺪ‪ .‬ﻣﻤﮑــﻦ اﺳــﺖ درون اﯾــﻦ ﺗﺼــﻮﯾﺮ ﻋــﻼوه ﺑــﺮ ﺷــﯽ اﺻــﻠﯽ ﮐــﻪ‬
‫ﺑﯿﺸﺘﺮﯾﻦ ﻣﺴﺎﺣﺖ را دارد ﺷﯽ دﯾﮕﺮی ﻫﻢ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﮐﻪ ﺑﺎﯾـﺪ‬
‫ﺷﮑﻞ ‪ :۱۳‬ﺗﺼﻮﯾﺮ ﭘﻼک ﺑﻌﺪ از ﺑﺮش از ﺗﺼﻮﯾﺮ اﺻﻠﯽ‬
‫ﺣﺬف ﺷﻮد‪ .‬ﭘﺲ ﺷﯽای را ﭘﯿﺪا ﻣﯽﮐﻨﺪ ﮐﻪ ﺑﯿﺸﺘﺮﯾﻦ ﻣﺴﺎﺣﺖ را دارد‬
‫و از ﻃﺮﻓــﯽ وﺳــﻌﺖ آن ﺑﯿﺸــﺘﺮ از ‪ ۰٬۵‬ﺳــﺎﻧﺘﯽﻣﺘــﺮ ﺑﺎﺷــﺪ‪ .‬ﺑﻨــﺎﺑﺮاﯾﻦ‬
‫ﺑﺮای اﯾﻨﮑﻪ زاوﯾﻪ ﭘﻼک ﺑﻪ ﺻﻮرت اﻓﻘﯽ ﺑﺎﺷﺪ‪ ،‬زاوﯾﻪ ﭘﻼک را ﻧﺴـﺒﺖ‬
‫ﺑﺰرﮔﺘﺮﯾﻦ ﺷﯽ ﺑﻪ دﺳﺖ ﻣﯽآﯾﺪ و از روی ﺗﺼﻮﯾﺮ ﺑـﺮش زده ﻣـﯽﺷـﻮد‪.‬‬
‫ﺑﻪ ﺳﻄﺢ اﻓﻖ ﺻﻔﺮ ﻣـﯽﮐﻨـﯿﻢ‪ .‬ﻧﺘﯿﺠـﻪ ﮐـﺎر در ﺷـﮑﻞ ‪ ۱۴‬ﻧﻤـﺎﯾﺶ داده‬
‫ﺗﺼﺎوﯾﺮ اﯾﻦ ﻣﺮﺣﻠﻪ درﺷﮑﻞﻫﺎی ‪۱۷‬و ‪۱۸‬ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮﻧﺪ‪.‬‬
‫ﺷﺪه اﺳﺖ‪.‬‬

‫ﺷﮑﻞ ‪: : ۱۷‬ﭘﯿﺪا ﮐﺮدن ﻣﺤﻞ دﻗﯿﻖ ﭘﻼک‬ ‫ﺷﮑﻞ ‪ :۱۴‬ﺗﺼﻮﯾﺮ ﺑﻌﺪ از اﻓﻘﯽ ﮐﺮدن ﭘﻼک‬

‫ﺑﻌﺪ از ﻣﺮﺣﻠﻪ ﺑﺮش ﺗﺼﻮﯾﺮ‪ ،‬ﺗﺼﻮﯾﺮ ﺑﻪ ﺑـﺎﯾﻨﺮی ﺗﺒـﺪﯾﻞ ﺷـﺪه و ﺣﻔـﺮه‪-‬‬

‫ﻫﺎی آن ﭘﺮ ﻣﯽﺷﻮﻧﺪ‪ ،‬ﺳﭙﺲ ﺗﺼﻮﯾﺮ را ﺑﺎ ﻋﻨﺼـﺮﺳـﺎزﻧﺪه داﯾـﺮهای و ﺑـﺎ‬
‫ﺷﻌﺎع ‪۲‬ﺳﺎﻧﺘﯽﻣﺘﺮ ﺑﺎز ﻣﯽﮐﻨﯿﻢ و در اداﻣﻪ‪ ،‬ﺗﺼﻮﯾﺮ را ﺑﺎ ﻋﻨﺼﺮﺳـﺎزﻧﺪه‬
‫ﺧﻄــﯽ ﺑــﻪ ﻃــﻮل ‪ ۵‬ﺳــﺎﻧﺘﯽﻣﺘــﺮ و زاوﯾــﻪ ﺻــﻔﺮ ﻧﺴــﺒﺖ ﺑــﻪ ﺳــﻄﺢ اﻓــﻖ‬
‫ﺷﮑﻞ ‪ :۱۸‬ﺗﺼﻮﯾﺮ ﭘﻼک ﺑﻌﺪ از ﺑﺮش دﻗﯿﻖ‬ ‫ﮔﺴﺘﺮش ﻣﯽدﻫـﯿﻢ‪.‬ﮐـﻪ در ﻣﺮﺣﻠـﻪ ﺑـﺎز ﮐـﺮدن‪ ،‬ﻧﺎﺣﯿـﻪﻫـﺎی ﮔـﺮدی ﮐـﻪ‬
‫ﺷﻌﺎع آنﻫﺎ ﮐﻤﺘﺮ از ‪۲‬ﺳﺎﻧﺘﯽﻣﺘﺮ ﻫﺴﺖ از ﺗﺼـﻮﯾﺮ ﺣـﺬف ﻣـﯽﺷـﻮد و‬
‫در اﯾﻦ ﻣﺮﺣﻠﻪ ﻧﻮاﺣﯽ ﮐﻪ ﻣﺴـﺎﺣﺖ آن ﮐـﻮﭼﮑﺘﺮ از ‪ ۵۰‬ﭘﯿﮑﺴـﻞ ﺑﺎﺷـﺪ‪،‬‬ ‫در ﻣﺮﺣﻠــﻪ ﺑﺴــﺘﻦ‪ ،‬ﺧــﻂﻫــﺎی ﺑــﺎ ﻃــﻮل ‪ ۵‬ﺳــﺎﻧﺘﯽﻣﺘــﺮ و زاوﯾــﻪ ﺻــﻔﺮ‬
‫را در ﺗﺼﻮﯾﺮ ﻣﺎﺗﺮﯾﺲ ﺑﺮﭼﺴﺐ‪ ،‬ﺣـﺬف ﻣـﯽﺷـﻮد‪ .‬ﺣـﺎل ﺗﺼـﻮﯾﺮ ﺟـﺪا‬ ‫ﮔﺴﺘﺮش ﭘﯿﺪا ﻣـﯽﮐﻨﻨـﺪ و ﺿـﺨﯿﻢﺗـﺮ ﻣـﯽﺷـﻮﻧﺪ‪.‬در ﺷـﮑﻞ ‪ ۱۵‬ﺗﺼـﻮﯾﺮ‬
‫ﺷﺪه ﭘﻼک )در ﻣﺮﺣﻠﻪ ﻗﺒـﻞ( را ﺑﻬﯿﻨـﻪ ﮐـﺮده و ﻧﻮﯾﺴـﻪﻫـﺎی ﺣـﺮوف و‬ ‫ﺣﺎﺻﻞ از اﯾﻦ ﻣﺮﺣﻠﻪ دﯾﺪه ﻣﯽﺷﻮد‪.‬‬
‫اﻋﺪاد داﺧﻞ ﺗﺼﻮﯾﺮ اﺳﺘﺨﺮاج ﻣﯽﺷﻮﻧﺪ‪ .‬ﺳﭙﺲ ﺗﺼﻮﯾﺮ را ﺑـﻪ ﺑـﺎﯾﻨﺮی‬
‫ﺗﺒﺪﯾﻞ ﮐﺮده وﺣﻔﺮهﻫﺎی آن ﭘﺮ ﻣﯽﺷﻮﻧﺪ‪ .‬ﺣﺎل ﺗﺼـﻮﯾﺮ ﺑـﻪ دﺳـﺖ آﻣـﺪه‬
‫در ﻣﺘﻐﯿﺮ را ﺑﻪ ﻣﺎﺗﺮﯾﺲ ﺑﺮﭼﺴﺐ ﺗﺒﺪﯾﻞ ﺷﺪه و ﻗﺴﻤﺖﻫﺎی زاﺋﺪ آن را‬
‫ﺣﺬف ﻣﯽﮐﻨﯿﻢ و ﻗﺴﻤﺖ ﻣﻮرد ﻟﺰوم آن را ﺟـﺪا ﻣـﯽﮐﻨـﯿﻢ‪ .‬ﻧـﻮاﺣﯽ ﺑـﻪ‬
‫رﻧﮓ ﺳﻔﯿﺪ و ﭘﺲزﻣﯿﻨﻪ ﺑﺎ رﻧﮓ ﺳـﯿﺎه در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ ﻣـﯽﺷـﻮد‪ ،‬ﭘـﺲ‬
‫ﺑﺎﯾﺪ ﺗﺼﻮﯾﺮ ﺣﺎﺻﻞ از ﺑﺮش و ﺣـﺬف ﻗﺴـﻤﺖﻫـﺎی زاﺋـﺪ را ﻣﻌﮑـﻮس‬ ‫ﺷﮑﻞ ‪ :۱۵‬ﺗﺼﻮﯾﺮ ﺑﺎﯾﻨﺮی از ﭘﻼک‬
‫ﮐــﺮد‪ .‬ﺑــﺮای ﻣﻌﮑــﻮس ﮐــﺮدن ﻧــﻮاﺣﯽ‪ ،‬ﻃﺒــﻖ آزﻣﺎﯾﺸــﺎت اﻧﺠــﺎم ﺷــﺪه‬
‫درﯾﺎﻓﺘﯿﻢ‪ ،‬ﻣﺴﺎﺣﺖ اﺷﯿﺎء ﮐﻮﭼﮑﺘﺮ از ‪ ۹۰‬ﭘﯿﮑﺴﻞ‪ ،‬ﺣـﺬف ﻣـﯽﺷـﻮﻧﺪ‪.‬‬ ‫‪ ۳-۲-۹‬ﺣﺬف ﻗﺴﻤﺖﻫﺎی اﺿﺎﻓﯽ از ﭘﻼک اﺳﺘﺨﺮاجﺷﺪه‬
‫ﺗﺼﻮﯾﺮ ﺑﻪ دﺳﺖ آﻣﺪه را ﺑﻪ ﻣﺎﺗﺮﯾﺲ ﺑﺮﭼﺴﺐ ﺗﺒﺪﯾﻞ ﮐـﺮده و ﻗﺴـﻤﺖ‪-‬‬ ‫در اﯾﻦ ﻣﺮﺣﻠﻪ ﺗﺼﻮﯾﺮ ﺑﻪ ﺑﺎﯾﻨﺮی ﺗﺒـﺪﯾﻞ ﻣـﯽﺷـﻮد و ﺣﻔـﺮهﻫـﺎی آن ﭘـﺮ‬
‫ﻫﺎی زاﺋﺪ آن ﺣﺬف ﻣﯽﺷﻮﻧﺪ و ﻗﺴﻤﺖ ﻣﻮرد ﻟـﺰوم آن ﻫـﻢ ﺟـﺪا ﻣـﯽ‪-‬‬ ‫ﻣﯽﺷﻮﻧﺪ ﺗﺎ ﺑﺘﻮان ﻗﺴﻤﺘﻬﺎی زاﺋﺪ را ﺣﺬف ﮐـﺮد‪ .‬در ﺷـﮑﻞ ‪ ۱۶‬ﻧﺘﯿﺠـﻪ‬
‫ﺷــﻮد‪ .‬ﻧﺘﯿﺠــﻪ ﻣﻌﮑــﻮس ﮐــﺮدن ﺗﺼــﻮﯾﺮ در ﺷــﮑﻞ ‪ ۱۹‬ﻧﺸــﺎن دادهﺷــﺪه‬ ‫اﯾﻦ ﻋﻤﻠﯿﺎت ﻣﺸﺎﻫﺪه ﻣﯽﺷﻮد‪.‬‬
‫اﺳﺖ‪.‬‬
‫‪۸۹‬‬ ‫داور ﮔﯿﻮﮐﯽ‪ ،‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬

‫‪ ۳-۴‬ﻫﻢاﻧﺪازه ﮐﺮدن اﺑﻌﺎد ﻧﻮﯾﺴﻪﻫﺎی ﺟﺪاﺷﺪه‬

‫ﺣﺎل ﻫﺮ ﮐﺪام از اﯾﻦ ﻧﻮﯾﺴﻪﻫﺎ راﮐﻪ ﺟﺪا ﺷـﺪهاﻧـﺪ‪ ،‬ﺗﻐﯿﯿـﺮ اﻧـﺪازه و در‬
‫ﯾﮏ ﻣﺘﻐﯿﺮ ﻗﺮار ﻣﯽﮔﯿﺮد‪.‬‬

‫درﻣﺮﺣﻠﻪ ﻗﺒﻞ ﻧﻮﯾﺴﻪﻫﺎ از ﻫﻢ ﺟﺪاﺷﺪه اﺳـﺖ‪ .‬اﻣـﺎ اﻧـﺪازه آﻧﻬـﺎ ﺑـﺎ ﻫـﻢ‬ ‫ﺷﮑﻞ ‪ :۱۹‬ﺗﺼﻮﯾﺮ ﺑﻌﺪ از ﻣﻌﮑﻮس ﮐﺮدن‬
‫ﻣﺘﻔﺎوت اﺳﺖ‪ .‬در ﺷﮑﻞ‪ ۲۱‬ﻧﻮﯾﺴﻪﻫﺎ ﻗﺎﺑﻞ ﻧﻤﺎﯾﺶ ﻣﯽﺑﺎﺷﻨﺪ‪.‬‬

‫‪ ۳-۳‬ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎ‬
‫ﻗﺒﻞ از ﻫﺮ ﮐﺎری ﻧﯿﺎز اﺳﺖ ﻋﻨﺎﺻﺮ ﭘﻼک ﺧﻮدرو ﯾﻌﻨﯽ ﻫﻔـﺖ ﻋـﺪد و‬
‫ﯾﮏ ﺣﺮف ﻣﻮﺟﻮد در ﭘﻼک‪ ،‬ﺑﻪ ﺻﻮرت ﻣﺠﺰا اﺳﺘﺨﺮاج ﺷـﻮد‪ ،‬ﺑـﺮای‬
‫اﯾﻦ ﮐﺎر راه ﺣـﻞﻫـﺎی ﻣﺨﺘﻠﻔـﯽ وﺟـﻮد دارد‪ .‬ﺳـﺎدهﺗـﺮﯾﻦ راه ﺑـﻪ ﻋﻠـﺖ‬
‫ﺷﮑﻞ ‪ :۲۱‬ﻧﻤﺎﯾﯽ از ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک‬ ‫ﺛﺎﺑﺖ ﺑـﻮدن ﻣﮑـﺎن ﻋﻨﺎﺻـﺮ درون ﭘـﻼک ﺧـﻮدرو‪ ،‬ﺗﻌﯿـﯿﻦ ﻧﺎﺣﯿـﻪﻫـﺎی‬
‫ﺛﺎﺑﺖ ﺑﺮای ﺑﺮش‪ ۱‬و اﺳﺘﺨﺮاج ﻋﻨﺎﺻﺮ ﻣﯽﺑﺎﺷﺪ‪ .‬روش دﯾﮕـﺮ اﺳـﺘﻔﺎده‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎﯾﺪ اﻧﺪازهی ﻫﻤـﻪ ﻧﻮﯾﺴـﻪﻫـﺎ را ﺑـﺎ ﻫـﻢ ﺑﺮاﺑـﺮ ﮐـﺮد‪ .‬در اﯾﻨﺠـﺎ‬ ‫از ﻟﺒﻪﻫﺎﺳﺖ ﮐﻪ ﺑﺎ ﺑـﻪ دﺳـﺖ آوردن ﻣﮑـﺎن ﻟﺒـﻪﻫـﺎ‪ ،‬ﻣـﯽﺗـﻮان ﻣﺤـﺪوده‬
‫اﻧﺪازهی ﺗﺼﺎوﯾﺮ ﺑﻪ ‪ ۶۰*۳۰‬ﭘﯿﮑﺴﻞ ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ‪ .‬در ﺷﮑﻞ ‪۲۲‬‬ ‫ﻋﻨﺼﺮ را ﺑﺮای ﺑﺮش ﺗﻌﯿﯿﻦ ﻧﻤﻮد‪ .‬در اﯾـﻦ اﻟﮕـﻮرﯾﺘﻢ ﻃـﯽ ﻣﺮاﺣـﻞ زﯾـﺮ‬
‫ﻧﺘﯿﺠﻪ ﻋﻤﻠﯿﺎت اﯾﻦ ﻣﺮﺣﻠﻪ ﻧﻤﺎﯾﺶ داده ﻣﯽﺷﻮد ]‪.[۴‬‬ ‫ﻋﻤﻠﯿــﺎت ﺟﺪاﺳــﺎزی و اﺳــﺘﺨﺮاج ﻋﻨﺎﺻــﺮ اﻧﺠــﺎم ﻣــﯽﺷــﻮد ‪ .‬ﭘــﺲ از‬
‫اﻧﺘﻘﺎل ﺗﺼﻮﯾﺮ ﺑﻪ ﺳﻄﺢ ﺧﺎﮐﺴﺘﺮی ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﯿﺎت ﺑﻬﯿﻨﻪﺳـﺎزی‬
‫ﺗﺼﻮﯾﺮ‪ ،‬ﺳﻌﯽ در ﺗﯿﺰ ﮐﺮدن ﻟﺒﻪﻫﺎ‪ ،۲‬ﻣﺎتزداﯾـﯽ و ﺑـﺎﻻ ﺑـﺮدن ﮐﯿﻔﯿـﺖ‬
‫ﺗﺼﻮﯾﺮ ﻣﯽﻧﻤﺎﯾﯿﻢ‪ .‬اﮐﻨﻮن ﻣـﯽﺗـﻮان ﺑـﺎ اﺳـﺘﻔﺎده از روش ﺑﺮﭼﺴـﺐزدن‬
‫ﻣﻮﻟﻔﻪﻫﺎی ﺑﻬﻢﭘﯿﻮﺳﺘﻪ‪ ۳‬در ﺗﺼﻮﯾﺮ‪ ،‬ﮐﻠﯿﻪ ﻋﻨﺎﺻـﺮ ﻣﻮﺟـﻮد در ﭘـﻼک را‬
‫ﺷﮑﻞ ‪ :۲۲‬ﻫﻢ اﻧﺪازه ﮐﺮدن ﻧﻮﯾﺴﻪﻫﺎ‬ ‫ﺑﺮﭼﺴﺐ زده و اﺳﺘﺨﺮاج ﻧﻤﻮد‪ .‬در اﯾﻦ روش ﻫﺮ ﺷﯽ ﮐـﻪ ﺑـﻪ ﺻـﻮرت‬
‫ﭘﯿﻮﺳﺘﻪ ﺳﻔﯿﺪ در ﺗﺼﻮﯾﺮ ﻣﻮﺟﻮد ﺑﺎﺷـﺪ‪ ،‬اﺳـﺘﺨﺮاج ﺷـﺪه و ﺑـﻪ ﻋﻨـﻮان‬
‫در ﺷﮑﻞ ‪ ۲۳‬اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک و ﺟﺪاﺳﺎزی ﻧﻮﯾﺴـﻪﻫـﺎ‪ ،‬روی‬ ‫ﯾﮏ ﺗﺼﻮﯾﺮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮد‪ .‬ﻃﺒﻖ ﻣﻄﺎﻟﺐ ﮔﻔﺘﻪ ﺷﺪه در ﺗﺼﻮﯾﺮ‬
‫ﺗﺼﺎوﯾﺮی ﺑﺎ ﭼـﺎﻟﺶﻫـﺎی ﻣﺨﺘﻠـﻒ ﺑـﻪ ﺻـﻮرت ﺗﺼـﻮﯾﺮ‪ ،‬ﮔـﺎم ﺑـﻪ ﮔـﺎم‬ ‫ﻧﻬﺎﯾﯽ ﻫﺸﺖ ﻋﻨﺼـﺮ ﯾﺎﻓـﺖ ﺷـﺪه و ﻫـﺮ ﻋﻨﺼـﺮ ﺑـﻪ ﺻـﻮرت ﺟﺪاﮔﺎﻧـﻪ‬
‫ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ‪.‬‬ ‫اﺳﺘﺨﺮاج ﻣﯽﺷﻮد‪ .‬ﺑﻌﺪ از ﻣﺮﺣﻠﻪ ﺟﺪاﺳﺎزی ﭘﻼک‪ ،‬ﻧﻮﯾﺴـﻪﻫـﺎی روی‬
‫ﭘﻼک را ﺟﺪاﺳﺎزی ﮐﺮده و ذﺧﯿﺮهﺳﺎزی ﻣـﯽﺷـﻮﻧﺪ‪ .‬اﯾـﻦ روش ﺟـﺪا‪-‬‬
‫ﺳﺎزی دارای ﮐﯿﻔﯿﺖ و ﻋﻤﻠﮑﺮد ﻋﺎﻟﯽ و ﻣﻄﻠﻮﺑﯽ اﺳﺖ‪ .‬ﺑﺎ اﺳـﺘﻔﺎده از‬
‫ﭼﻨﺪ ﺷﺮط زﯾﺮ ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎ اﻧﺠﺎم ﻣﯽﮔﯿﺮد‪:‬‬

‫‪-1‬ﻃﻮل ﺷﯽ ﻣﻮرد ﻧﻈﺮ ﺑﻪ ﻋﺮﺿﺶ ﺑﺎﯾﺪ از ‪ ۶‬ﺑﺮاﺑﺮ آن ﮐﻤﺘﺮ ﺑﺎﺷﺪ‪.‬‬

‫‪-2‬وﺳﻌﺖ ﺷﯽ ﻣﻮرد ﻧﻈﺮ ﺑﺎﯾﺪ از ‪ ۰٬۲‬ﺑﯿﺸﺘﺮ و از ‪ ۰٬۳‬ﮐﻤﺘﺮ ﺑﺎﺷﺪ‪.‬‬
‫‪-3‬ﻃﻮل اﺷﯿﺎء از ﻋﺮضﺷﺎن اﮔﺮﺗﻘﺴﯿﻢ ﺑﺮ ‪ ۵‬ﺷﻮد‪ ،‬ﺑﯿﺸﺘﺮ ﺑﺎﺷﺪ‪.‬‬

‫ﺑﺎ اﻋﻤﺎل اﯾﻦ ﺷﺮطﻫﺎ ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک ﻣﺸﺨﺺ ﻣﯽﺷﻮد‪ .‬در ﺷـﮑﻞ‬
‫‪ ۲۰‬ﻧﺘﯿﺠﻪ ﻋﻤﻠﯿﺎت اﯾﻦ ﻣﺮﺣﻠﻪ ﻧﻤﺎﯾﺶ داده ﻣﯽﺷﻮد‪.‬‬

‫ﺷﮑﻞ ‪ :۲۰‬ﻣﺸﺨﺺ ﺷﺪن ﻧﻮﯾﺴﻪﻫﺎ‬

‫‪1‬‬
‫‪Crop‬‬
‫‪2‬‬
‫‪Edge Sharping‬‬
‫‪3‬‬
‫‪Connected Component Labeling‬‬
 ‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬ ‫‪۹۰‬‬

‫ﺗﺼﻮﯾﺮ ورودی‬ ‫ﻧﻤﺎی ﺧﺎﮐﺴﺘﺮی‬ ‫ﻟﺒﻪﯾﺎﺑﯽ ﺗﺼﻮﯾﺮ‬ ‫اﻓﺰاﯾﺶدﻫﯽ ﻟﺒﻪﻫﺎ‬ ‫ﭘﺮﮐﺮدن ﺣﻔﺮهﻫﺎ‬

‫ﯾﺎﻓﺘﻦ ﻣﮑﺎن ﭘﻼک‬

‫ﺑﺮش دﻗﯿﻖ ﭘﻼک‬ ‫ﯾﺎﻓﺘﻦ ﻣﮑﺎن دﻗﯿﻖ ﭘﻼک‬ ‫اﺳﺘﺨﺮاج ﻧﺎﺣﯿﻪ ﭘﻼک‬

‫ﺣﺬف ﻧﻮﯾﺰﻫﺎ از ﺗﺼﻮﯾﺮ‬ ‫ﻣﺸﺨﺺ ﮐﺮدن‬ ‫ﺟﺪاﺳﺎزی ﮐﺎراﮐﺘﺮﻫﺎ‬

‫ﺷﮑﻞ‪:۲۳-۱‬اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک و ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎ‬

‫ﺷﮑﻞ‪:۲۳-۳‬اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک و ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎ در ﺗﺼﺎوﯾﺮ زاوﯾﻪدار‬ ‫ﺷﮑﻞ‪:۲۳-۲‬اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک و ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎ در ﺗﺼﺎوﯾﺮ ﻧﻮﯾﺰدار‬

‫ﺷﮑﻞ‪:۲۳-۴‬اﻟﮕﻮرﯾﺘﻢ اﺳﺘﺨﺮاج ﭘﻼک و ﺟﺪاﺳﺎزی ﻧﻮﯾﺴﻪﻫﺎ در ﺗﺼﺎوﯾﺮ در ﺷﺐ و ﻣﺨﺪوش‬

‫‪۹۱‬‬ ‫داور ﮔﯿﻮﮐﯽ‪ ،‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬

‫ﯾﮑﯽ از ﺷﺒﮑﻪﻫﺎی ﻧﻮروﻧﯽ ﭘﯿﭽﺸﯽ ﻣﻬﻤﯽ ﮐﻪ ﻣﯽﺗـﻮان ﻧـﺎم ﺑـﺮد ﺷـﺒﮑﻪ‬ ‫‪ ۳-۵‬ﺑﺎزﺷﻨﺎﺳﯽ ﻧﻮﯾﺴﻪﻫﺎی ﭘﻼک ﺧﻮدرو ﺑﺎ ﺷﺒﮑﻪ‬
‫اﻟﮑــﺲﻧــﺖ اﺳــﺖ ﮐــﻪ ﺗﻮﺳــﻂ اﻟﮑــﺲ ﮐﺮﯾﺰﻫﻮﺳــﮑﯽ‪ ۱‬در ﺳ ـﺎل ‪۲۰۱۲‬‬
‫در اﯾــﻦ ﭘــﮋوﻫﺶ ﺑــﺮای ﺗﺸــﺨﯿﺺ و ﺷﻨﺎﺳــﺎﯾﯽ ﻧﻮﯾﺴــﻪﻫــﺎ از ﺷــﺒﮑﻪ‬
‫ﻣﻌﺮﻓﯽ ﺷﺪ‪ .‬اﯾـﻦ ﺷـﺒﮑﻪ دارای ‪ ۵‬ﻻﯾـﻪی ﭘﯿﭽﺸـﯽ و ﺳـﻪ ﻻﯾـﻪ ﺗﻤﺎﻣـﺎ‬
‫ﭘﯿﭽﺸﯽ اﻟﮑـﺲﻧـﺖ اﺳـﺘﻔﺎده ﺷـﺪه اﺳـﺖ‪ .‬در اداﻣـﻪ اﯾـﻦ ﺑﺨـﺶ‪ ،‬اﯾـﻦ‬
‫ﻣﺘﺼﻞ اﺳﺖ ﮐﻪ ﻣﻮﺟﺐ ﺷﺪه در دﺳﺘﻪ ﺷﺒﮑﻪﻫﺎی ﮐﻢﻋﻤﻖ ﻗـﺮار ﮔﯿـﺮد‬
‫ﺷﺒﮑﻪ و ﻣﺮاﺣﻞ ﮐﺎر آن ﺗﻮﺿﯿﺢ داده ﻣﯽﺷﻮد‪.‬‬
‫]‪.[۱۸][۱۰‬‬

‫ﺷﮑﻞ‪ :۲۴‬ﻣﻌﻤﺎری اﻟﮑﺲﻧﺖ ]‪[۱۸‬‬

‫ﺟﺪول ‪ :۱‬ﻣﻌﻤﺎری اﻟﮑﺲﻧﺖ ]‪[۱۸‬‬

‫‪1‬‬
‫‪Alex Krizhevsky‬‬
‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬ ‫‪۹۲‬‬

‫روی دادﮔــﺎن ‪ HODA‬در روش ﭘﯿﺸــﻨﻬﺎدی ﺑــﺎ ﺗﻌــﺪادی از ﭘــﮋوﻫﺶ‬ ‫‪ ۴‬ﻧﺘﺎﯾﺞ ﺷﺒﯿﻪﺳﺎزی و ﻣﻘﺎﯾﺴﻪﻫﺎ‬
‫ﻫﺎی ﻣﻮﺟﻮد ﻣﻘﺎﯾﺴﻪ ﺷﺪهاﺳﺖ‪.‬‬
‫در اﯾﻦ ﺑﺨﺶ‪ ،‬ﺳﺨﺖاﻓﺰار اﺳﺘﻔﺎدهﺷﺪه‪ ،‬آزﻣـﺎﯾﺶﻫـﺎی اﻧﺠـﺎمﺷـﺪه و‬
‫ﻣﻘﺎﯾﺴﮥ ﻧﺘﺎﯾﺞ روش ﭘﯿﺸﻨﻬﺎدی ﺑﺎ دﯾﮕﺮ روشﻫﺎی ﻣﻮﺟﻮد آورده ﺷـﺪه‬
‫اﺳــﺖ‪ .‬در اداﻣــﻪ اﯾــﻦ ﻣــﻮارد ذﮐــﺮ ﺷــﺪهاﻧــﺪ‪ .‬ﺑــﺮای ﭘﯿــﺎدهﺳــﺎزی روش‬
‫‪ ۴-۲‬ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎ روی دادﮔﺎن اﯾﺮﭘﻼک‬
‫ﭘﯿﺸﻨﻬﺎدی اﯾﻦ ﭘﮋوﻫﺶ‪ ،‬از ﻧـﺮماﻓـﺰار ‪ Matlab2018a‬و ﯾـﮏ ﺳﯿﺴـﺘﻢ‬
‫ﺑﻪﻣﻨﻈﻮر ﺑﺮرﺳﯽ و ارزﯾﺎﺑﯽﮐﺎراﯾﯽ روش ﭘﯿﺸــــﻨﻬﺎدی آزﻣـــﺎﯾﺶﻫـــﺎی‬
‫ﮐﺎﻣﭙﯿﻮﺗﺮی ﺑﺎ ﻫﺸﺖ ﮔﯿﮕﺎﺑﺎﯾﺖ ﺣﺎﻓﻈﻪ رم‪ ،‬ﭘﺮدازﻧﺪۀ ﻣﺮﮐﺰی ﻣﺪل‬
‫ﻣﺨﺘﻠﻔﯽ روی دادﮔﺎن اﯾﺠﺎد ﺷـﺪه؛ اﻧﺠـﺎم ﮔﺮﻓﺘـﻪ اﺳـﺖ‪ .‬در ﺟـﺪول ‪۲‬‬
‫‪Intel® Core™ i۲۶۴۰-۷M CPU @۲٬۸۰GHz‬‬
‫ﻧﺘــﺎﯾﺞ آزﻣــﺎﯾﺶﻫــﺎ آورده ﺷــﺪه اﺳــﺖ‪ .‬در ﺷــﮑﻞ ‪ ۲۵‬ﻧﻤــﻮدار آﻣــﻮزش‬
‫اﺳﺘﻔﺎده ﺷﺪهاﺳﺖ‪.‬‬
‫ﺷــﺒﮑﻪ ﻧﻤــﺎﯾﺶ داده ﻣـﯽﺷــﻮد‪ .‬ﻫﻤﭽﻨـﯿﻦ در ﺟــﺪول ‪ ۳‬ﻧﺘﯿﺠــﻪ ﻧﻤــﻮدار‬
‫آﻣﻮزش ﺷﺒﮑﻪ آورده ﺷﺪه اﺳﺖ‪.‬‬
‫‪ ۴-۱‬ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎ روی دادﮔﺎن ‪HODA‬‬
‫ﺟﺪول ‪ :۲‬ﻣﻘﺎﯾﺴﻪ ﮐﺎراﯾﯽ روش ﭘﯿﺸﻨﻬﺎدی ﺑﺎ ﺳﺎﯾﺮ روشﻫﺎی ﻣﻮﺟﻮد‬ ‫ﺑــﻪ ﻣﻨﻈــﻮر ﺑﺮرﺳــﯽ و ارزﯾــﺎﺑﯽ ﺑﻬﺘــﺮ‪ ،‬روش ﭘﯿﺸــﻨﻬﺎدی روی دادﮔــﺎن‬
‫روی دادﮔﺎن ‪HODA‬‬ ‫‪ HODA‬ﻧﯿــﺰ آزﻣــﺎﯾﺶ ﺷــﺪ‪ .‬دادﮔــﺎن ‪ HODA‬ﻣﺠﻤﻮﻋــﻪ ﺑﺰرﮔــﯽ از‬
‫ﭘﮋوﻫﺸﮕﺮان‬ ‫ﻣﯿﺰان دﻗﺖ‬ ‫ارﻗــﺎم دﺳــﺘﻨﻮﯾﺲ ﻓﺎرﺳــﯽ اﺳــﺖ ﮐــﻪ ﻣﺸــﺘﻤﻞ ﺑــﺮ ‪ ۱۰۲۳۵۳‬ﻧﻤﻮﻧــﻪ‬
‫دﺳﺖﻧﻮﺷﺘﻪ ﺳﯿﺎه‪-‬ﺳﻔﯿﺪ ﻣﯽﺑﺎﺷـﺪ‪ .‬ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ اﯾﻨﮑـﻪ در اﯾـﻦ ﻣﻘﺎﻟـﻪ‬
‫اﺑﺮاﻫﯿﻢ ﭘﻮر ]‪[29‬‬ ‫‪۹۵٬۳۰‬‬
‫ﻧﻮآوری اﺻﻠﯽ ﻣﻌﺮﻓﯽ ﯾﮏ دادﮔﺎن ﺟﺪﯾﺪ از ﭘﻼک ﺧﻮدروﻫـﺎی اﯾﺮاﻧـﯽ‬
‫ﻋﺒﺪی و ﺳﻠﯿﻤﯽ ]‪[28‬‬ ‫‪۹۷٬۱۰‬‬
‫ﺑﻮده اﺳﺖ و ﺗﺎﮐﻨﻮن روی اﯾﻦ دادﮔـﺎن ﺟﺪﯾـﺪ آزﻣﺎﯾﺸـﯽ ﺗﻮﺳـﻂ ﺳـﺎﯾﺮ‬
‫اﻋﻼﯾﯽ ]‪[27‬‬ ‫‪۹۸٬۷۱‬‬
‫ﻣﺤﻘﻘﺎن ﺻﻮرت ﻧﮕﺮﻓﺘﻪ اﺳﺖ‪ ،‬ﻣـﺎ در اﯾـﻦ ﻣﻘﺎﻟـﻪ ﺳـﻌﯽ ﮐـﺮدهاﯾـﻢ ﺑـﻪ‬
‫زﻣﺎﻧﯽ و ﻫﻤﮑﺎران ]‪[26‬‬ ‫‪۹۹٬۳‬‬ ‫ﻣﻨﻈﻮر ﺑﺮرﺳﯽ و ﻧﺸﺎن دادن ﮐﺎراﯾﯽ اﻧﺘﻘﺎل ﯾـﺎدﮔﯿﺮی و ﺷـﺒﮑﻪ اﻟﮑـﺲ‪-‬‬
‫ﺣﺮﯾﻔﯽ و آﻗﺎﻗﻠﯽ زاده ]‪[30‬‬ ‫‪۹۷٬۶۰‬‬ ‫ﻧـﺖ از اﯾـﻦ روش ﺑــﺮای ﺑﺎزﺷﻨﺎﺳـﯽ ارﻗـﺎم دﺳــﺖﻧـﻮﯾﺲ ﻓﺎرﺳــﯽ روی‬
‫روش ﭘﯿﺸﻨﻬﺎدی‬ ‫‪۹۹٬۴‬‬
‫دادﮔﺎن ‪ HODA‬و ﻣﻘﺎﯾﺴﻪ آن ﺑـﺎ ﺳـﺎﯾﺮ روشﻫـﺎ اﺳـﺘﻔﺎده ﮐﻨـﯿﻢ و ﺑـﻪ‬
‫دﻗﺖ ‪ ۹۹٬۴‬درﺻﺪ دﺳﺖ ﯾﺎﻓﺘﻪاﯾﻢ‪ .‬در ﺟﺪول ‪ ۲‬ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎ‬

‫ﺷﮑﻞ ‪ :۲۵‬ﻧﻤﻮدار آﻣﻮزش ﺷﺒﮑﻪ‬

‫ﺟﺪول ‪ :۳‬ﻧﺘﯿﺠﻪ ﻧﻤﻮدار آﻣﻮزش ﺷﺒﮑﻪ‬

‫‪۹۳‬‬ ‫داور ﮔﯿﻮﮐﯽ‪ ،‬ﻋﺬرا داﻟﻮﻧﺪ‪ ،‬ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬

‫ﮔﺮﻓﺘﻪ اﺳﺖ‪ ،‬آورده ﺷﺪه اﺳـﺖ‪ .‬در ﺟـﺪول ‪ ۴‬ﻧﺘـﺎﯾﺞ اﯾـﻦ آزﻣـﺎﯾﺶﻫـﺎ‬ ‫‪ ۴-۲-۱‬ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎی ﺷﺒﮑﻪ‬
‫ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﻣﯽﺑﺎﺷﺪ‪.‬‬ ‫در اﯾﻦ ﺑﺨﺶ ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎ اﻧﺠﺎم ﺷـﺪه ﺑـﻪ وﺳـﯿﻠﻪ ﺷـﺒﮑﻪ اﻟﮑـﺲ‪-‬‬
‫ﻧﺖ‪،‬ﮐﻪ روی دادﮔـﺎن ﺑـﺎ ‪ ۵۰۰۰‬ﺗﺼـﻮﯾﺮ از ﺧﻮدروﻫـﺎی اﯾﺮاﻧـﯽ اﻧﺠـﺎم‬
‫ﺟﺪول ‪ :۴‬ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎی ﺷﺒﮑﻪ اﻟﮑﺲﻧﺖ‬

‫دﻗﺖ دﺳﺘﻪﺑﻨﺪی‬ ‫ﻧﺮخ ﯾﺎدﮔﯿﺮی‬ ‫درﺻﺪ آزﻣﻮن‬ ‫درﺻﺪ آﻣﻮزش‬ ‫ﻧﻮع ﺷﺒﮑﻪ‬

‫‪۹۸٬۵۰‬‬ ‫‪۰٬۰۰۰۱‬‬ ‫‪۲۰‬‬ ‫‪۸۰‬‬

‫‪۹۸٬۲۰‬‬ ‫‪۰٬۰۰۰۱‬‬ ‫‪۳۰‬‬ ‫‪۷۰‬‬
‫‪۹۷٬۶۰‬‬ ‫‪۰٬۰۰۰۱‬‬ ‫‪۴۰‬‬ ‫‪۶۰‬‬ ‫اﻟﮑﺲﻧﺖ‬

‫‪۹۶٬۸۰‬‬ ‫‪۰٬۰۰۰۱‬‬ ‫‪۵۰‬‬ ‫‪۵۰‬‬

‫‪۹۵٬۳۰‬‬ ‫‪۰٬۰۰۰۱‬‬ ‫‪۶۰‬‬ ‫‪۴۰‬‬

‫ﭼﻨﺎﻧﭽﻪ ﻣﻼﺣﻈﻪ ﻣﯽﺷﻮد ﺷـﺒﮑﻪ اﻟﮑـﺲﻧـﺖ و روش اﻧﺘﻘـﺎل ﯾـﺎدﮔﯿﺮی‬

‫ﺗﻮاﻧﺴﺘﻪ اﻧﺪ ﺑﻪ ﮐﺎراﯾﯽ ﺑﺴﯿﺎر ﺧـﻮﺑﯽ روی ارﻗـﺎم دﺳـﺖﻧـﻮﯾﺲ ﻓﺎرﺳـﯽ‬ ‫‪ ۴-۲-۲‬ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶﻫﺎی ﺷﺒﮑﻪ‬
‫ﺑﺮﺳﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ اﯾﻦ ﻧﺸﺎن ﻣﯽدﻫـﺪ ﮐـﻪ از ﺷـﺒﮑﻪ اﻟﮑـﺲﻧـﺖ و اﻧﺘﻘـﺎل‬ ‫در ﻣﺮﺣﻠــﻪ ﺷــﺮوع آﻣــﻮزش ﺷــﺒﮑﻪ‪ ،‬ﯾﮑﺴــﺮی از ﻧﻮﯾﺴــﻪﻫــﺎ ﺑــﻪ ﺻــﻮرت‬
‫ﯾﺎدﮔﯿﺮی ﻣﯽﺗﻮان ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﺣﺮوف و ارﻗـﺎم ﭘـﻼک ﺧﻮدروﻫـﺎی‬ ‫ﺗﺼــﺎدﻓﯽ ﻧﻤــﺎﯾﺶ داده ﻣــﯽﺷــﻮد‪ .‬در ﺷــﮑﻞ )‪۲۶‬اﻟــﻒ( ﻧﻤﻮﻧــﮥ از اﯾــﻦ‬
‫اﯾﺮاﻧﯽ ﻧﯿﺰ اﺳﺘﻔﺎده ﮐﺮد‪.‬‬ ‫ﻧﻮﯾﺴﻪﻫﺎ ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ ﻧﻤﺎﯾﺶ داده ﺷـﺪهاﻧـﺪ‪ .‬ﺳـﭙﺲ ﻧﻮﯾﺴـﻪﻫـﺎ‬
‫دﺳﺘﻪﺑﻨﺪی ﻣﯽﺷﻮﻧﺪ‪ .‬در ﺷﮑﻞ )‪۲۶‬ب( ﻧﻤﻮﻧﮥ از دﺳﺘﻪﺑﻨﺪی ﻧﻮﯾﺴﻪﻫـﺎ‬
‫ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﻣﯽﺑﺎﺷﺪ‪.‬‬
‫‪ ۵‬ﻧﺘﯿﺠﻪﮔﯿﺮی‬
‫ﺷــﻤﺎره ﭘــﻼک ﺧــﻮدرو ﯾﮑــﯽ از ﻣﻨﺎﺳــﺐﺗــﺮﯾﻦ اﻗــﻼم اﻃﻼﻋــﺎﺗﯽ ﺑــﺮای‬
‫اﺣﺮاز ﻫﻮﯾﺖ ﺧﻮدروﻫﺎ ﻣـﯽﺑﺎﺷـﺪ‪ .‬ﺳﯿﺴـﺘﻢ ﺗﺸـﺨﯿﺺ ﭘـﻼک ﺧـﻮدرو‬
‫اﯾﻦ اﻣﮑﺎن را ﻓﺮاﻫﻢ ﻣﯽﺳﺎزد ﺗﺎ ﺷﻤﺎره ﻣﻮﺟـﻮد در ﭘـﻼک ﺑـﻪ ﺻـﻮرت‬
‫ﺧﻮدﮐﺎر ﺗﻮﺳﻂ ﮐﺎﻣﭙﯿﻮﺗﺮ‪ ،‬اﺳـﺘﺨﺮاج ﮔـﺮدد‪ .‬ﻫـﺪف اﺻـﻠﯽ ﻣـﺎ در اﯾـﻦ‬
‫ﭘﮋوﻫﺶ‪ ،‬ﺗﻮﻟﯿـﺪ و ﻣﻌﺮﻓـﯽ ﯾـﮏ دادﮔـﺎن ﺟﺪﯾـﺪ از ﭘـﻼکﻫـﺎی اﯾﺮاﻧـﯽ‬
‫ﺑﻮدهاﺳﺖ‪ ،‬زﯾﺮا دادﮔﺎن ﺑﺰرﮔﯽ از ﭘﻼکﻫﺎی ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ ﮐﻪ ﺑـﻪ‬
‫ﺻﻮرت راﯾﮕﺎن ﺑﺮای ﭘﮋوﻫﺶ در ﺣـﻮزهی ﺑﯿﻨـﺎﯾﯽ ﻣﺎﺷـﯿﻦ و ﭘـﺮدازش‬
‫ﺗﺼﻮﯾﺮ در اﺧﺘﯿﺎر ﺑﺎﺷﺪ‪ ،‬ﺗﺎ ﺑﻪ اﻣﺮوز در دﺳﺘﺮس ﻧﺒﻮده اﺳﺖ‪ .‬ﺑﻨـﺎﺑﺮاﯾﻦ‬
‫ﻣﺎ ﺳﻌﯽ در اﯾﺠـﺎد دادﮔـﺎﻧﯽ ﺟﺪﯾـﺪ داﺷـﺘﻪاﯾـﻢ‪ .‬دادﮔـﺎن ﺷـﺎﻣﻞ ‪۵۰۰۰‬‬
‫ﺗﺼﻮﯾﺮ ﺧﻮدرو در اﻧﺪازهﻫﺎی ﻣﺨﺘﻠﻒ ﻣﯽﺑﺎﺷﺪ‪ .‬ﻗﺎﺑﻞ ذﮐﺮ اﯾـﻦﮐـﻪ در‬
‫)اﻟﻒ(‬
‫ﺟﻤﻊآوری دادﮔﺎن ﻣﺬﮐﻮر اﻧﻮاع ﻣﺨﺘﻠﻒ ﭼﺎﻟﺶﻫﺎ ﻧﻈﯿﺮ ﻧﻮﯾﺰ‪ ،‬ﺷـﺮاﯾﻂ‬
‫ﻧﻮری ﻣﺨﺘﻠﻒ‪ ،‬ﭘﻼکﻫﺎی ﻧﺎﺧﻮاﻧﺎ‪ ،‬ﻣﺨﺪوش و ﺗﺎر‪ ،‬ﺗﺎ ﺣﺪ ﻣﻤﮑﻦ در‬
‫ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪهاﺳﺖ‪ .‬ﻫﻤﭽﻨﯿﻦ ﺑﺮای ﺗﺴﺖ دادﮔﺎن‪ ،‬از ﺷـﺒﮑﻪ اﻟﮑـﺲ‪-‬‬
‫ﻧﺖ و اﻧﺘﻘﺎل ﯾﺎدﮔﯿﺮی اﺳﺘﻔﺎده ﮐﺮدهاﯾﻢ و ﺑﻪ ﮐﺎراﯾﯽ ﻣﻄﻠـﻮﺑﯽ رﺳـﯿﺪه‪-‬‬
‫اﯾﻢ‪ .‬ﺑﻪ ﻋﻨﻮان ﯾﮑﯽ دﯾﮕﺮ از ﯾﺎﻓﺘﻪﻫﺎی ﭘﮋوﻫﺶ ﻣﯽﺗﻮاﻧﯿﻢ ﺑـﻪ اﯾـﻦ ﻧﮑﺘـﻪ‬
‫اﺷﺎره ﮐﻨﯿﻢ‪ ،‬ﻫﻤﺎنﻃﻮر ﮐﻪ ﻫﻤﻪ ﻣﺴﺘﺤﻀـﺮﻧﺪ‪ ،‬ﺷـﺒﮑﻪ اﻟﮑـﺲﻧـﺖ ﺑـﺮای‬
‫آﻣﻮزش و آزﻣﺎﯾﺶ روی ﺗﺼﺎوﯾﺮ‪ ،‬ﻃﺮاﺣﯽ ﺷﺪه اﺳـﺖ‪ ،‬اﻣـﺎ ﻣـﺎ در اﯾـﻦ‬
‫ﭘــﮋوﻫﺶ از اﯾــﻦ ﺷــﺒﮑﻪ ﺑــﺮای ﺑﺎزﺷﻨﺎﺳــﯽ ﺗﺮﮐﯿﺒــﯽ؛ ﺣــﺮوف و ارﻗــﺎم‬
‫ﻓﺎرﺳﯽ اﺳﺘﻔﺎده ﮐﺮدهاﯾﻢ و ﺑﻪ ﻧﺘﯿﺠـﻪ ﻣﻄﻠـﻮﺑﯽ دﺳـﺖ ﯾﺎﻓﺘـﻪاﯾـﻢ‪ .‬روش‬
‫ﭘﯿﺸﻨﻬﺎدی روی دادﮔﺎن ﺟﺪﯾﺪ اﯾﺮاﻧﯽ آﻣﻮزش و آزﻣﺎﯾﺶ دﯾـﺪه اﺳـﺖ‪،‬‬
‫دﻗﺖ ﺗﺸﺨﯿﺺ ﺑﻪ دﺳﺖ آﻣﺪه در اﯾـﻦ ﭘـﮋوﻫﺶ ‪ ۹۸/۲۰‬درﺻـﺪ ﻣـﯽ‪-‬‬
‫)ب(‬
‫ﺑﺎﺷﺪ‪.‬‬
‫ﺷﮑﻞ ‪) :۲۶‬اﻟﻒ(‪ :‬ﻧﻤﺎﯾﺶ ﻧﻮﯾﺴﻪﻫﺎ ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ و )ب(‪ :‬ﻧﻤﺎﯾﯽ از‬
‫دﺳﺘﻪﺑﻨﺪی ﻧﻮﯾﺴﻪﻫﺎ‬
‫ﻣﻌﺮﻓﯽ دادﮔﺎن اﯾﺮﭘﻼک ﺑﺮای ﺑﺎزﺷﻨﺎﺳﯽ ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ‬
deep convolutional neural networks." In 2017 30th
SIBGRAPI conference on graphics, patterns and images
(SIBGRAPI), pp. 55-62. IEEE, 2017.
[14] Tarigan, Joseph, Ryanda Diedan, and Yaya Suryana.
"Plate recognition using backpropagation neural network
and genetic algorithm." Procedia Computer Science 116
(2017): 365-372.
[15] Erkaymaz, Okan & Ozer, Mahmut & Perc, Matjaž..
Performance of small-world feedforward
networks for the diagnosis of diabetes.
Mathematics and Computation.311.22-28. (2017).
[16] Zhou, W., Li, H., Lu, Y. and Tian, Q., 2012. Principal
visual word discovery for automatic license plate
detection. IEEE transactions on image processing, 21(9),
pp.4269-4279.
[17] Wang, X., Cottrell, W., & Mu, S. (2005, September).
Using k-means clustering to identify time-of-day break
points for traffic signal timing plans. In Intelligent
Transportation Systems, 2005. Proceedings. 2005 IEEE
(pp. 536-591). IEEE.
[18] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E.
Hinton. "Imagenet classification with deep convolutional
neural networks." Advances in neural information
processing systems 25 (2012): 1097-1105.
[19] Song, Hyun Ah, and Soo-Young Lee. "Hierarchical
representation using NMF." In International conference
on neural information processing, pp.
Springer, Berlin, Heidelberg, 2013.
[20] He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian
Sun. "Delving deep into rectifiers: Surpassing human-
level performance on imagenet classification."
Proceedings of the IEEE international conference on
computer vision, pp. 1026-1034. 2015.
[21] Kumari, Sweta, Leeza Gupta, and Prena Gupta.
"Automatic license plate recognition using OpenCV and
neural network." International Journal of Computer
Science Trends and Technology (IJCST) 5, no. 3
(2017): 114-118.
[22] Pechiammal, B., and J. Arokia Renjith. "An efficient
approach for automatic license plate recognition system."
In 2017 Third International Conference on Science
Technology Engineering & Management
(ICONSTEM), pp. 121-129. IEEE, 2017.
[23] Xie, Lele, Tasweer Ahmad, Lianwen Jin, Yuliang Liu,
and Sheng Zhang. "A new CNN-based method for
multi-directional car license plate detection." IEEE
Transactions on Intelligent Transportation Systems 19,
no. 2 (2018): 507-517.
[24] Farahbakhsh, Ebrahim, Ehsan Kozegar, and Mohsen
Soryani. "Improving persian digit recognition
combining data augmentation and AlexNet." In 2017
10th Iranian Conference on Machine Vision and Image
Processing (MVIP), pp. 265-270. IEEE, 2017.
۹۴
‫ﻣﺮاﺟﻊ‬
‫ "ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدرو ﻣﺒﺘﻨﯽ ﺑﺮ ﭘﺮدازش‬،‫ زﻫﺮا‬،‫[ رﺣﯿﻢ ﺧﺎﻧﯽ‬۱]
‫ اوﻟﯿﻦ ﮐﻨﻔﺮاﻧﺲ ﻣﻠﯽ روﯾﮑﺮدﻫﺎی ﻧﻮ در‬،"‫ﺗﺼﻮﯾﺮ و ﺷﺒﮑﻪ ﻋﺼﺒﯽ‬
.۱۳۹۵ ،‫ ﺧﺮم آﺑﺎد‬،‫ﻣﻬﻨﺪﺳﯽ ﺑﺮق و ﮐﺎﻣﭙﯿﻮﺗﺮ‬
،‫ اﻣﯿﺮﻫﻮﺷﻨﮓ و ﻣﻘﺮب ﻃﻬﺮاﻧﯽ‬،‫ ﺳﯿﺪﻣﻬﺪی و راﺳﺘﯽ‬،‫[ ﺷﻬﺸﻬﺎن‬۲]
‫ "روﺷﯽ ﺟﺪﯾﺪ و ﻓﻮری ﺟﻬﺖ ﺷﻨﺎﺳﺎﯾﯽ ﭘﻼک ﺧﻮدرو از‬،‫ﻓﺮﺷﺎد‬
‫ ﺳﻮﻣﯿﻦ ﮐﻨﻔﺮاﻧﺲ ﻣﻬﻨﺪﺳﯽ ﺑﺮق و اﻟﮑﺘﺮوﻧﯿﮏ‬،"‫ﺗﺼﺎوﯾﺮ ﭘﯿﭽﯿﺪه‬
neural
.۱۳۹۰ ،‫ﮔﻨﺎﺑﺎد‬،‫اﯾﺮان‬
Applied
‫ "ﺗﺸﺨﯿﺺ ﭘﻼک ﺧﻮدرو‬،‫ ﻧﻮﯾﺪ‬،‫ ﻫﺪاﯾﺖ و ﺻﻤﯿﻤﯽ ﺑﻬﺒﻬﺎن‬،‫[ ﺑﻬﺎدری‬۳]
‫ دوﻣﯿﻦ ﮐﻨﻔﺮاﻧﺲ‬،"‫ﺑﺎ اﺳﺘﻔﺎده از ﭘﺮدازش ﺗﺼﻮﯾﺮ و ﺗﻄﺒﯿﻖ ﺷﮑﻞ‬
.۱۳۹۰،‫ﻣﺎﻫﺸﻬﺮ‬،‫ﻣﻠﯽ ﻣﺤﺎﺳﺒﺎت ﻧﺮم و ﻓﻦ آوری اﻃﻼﻋﺎت‬
‫ "ﺗﺸﺨﯿﺺ ﭘﻼک‬،‫ ﺳﯿﺪﻣﻬﺪی‬،‫ اوراﻧﻮس و ﺣﻀﺮﺗﯽ ﻓﺮد‬،‫[ ﮐﺎﻇﻤﯽ‬۴]
‫ﺧﻮدروﻫﺎ ﺑﺎ ﺑﻬﺮه ﮔﯿﺮی از ﯾﮏ روش ﺳﺎده ی ﭘﺮدازش‬
،‫ﮐﻨﻔﺮاﻧﺲ ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﭘﮋوﻫﺶﻫﺎی ﻧﻮﯾﻦ در ﻋﻠﻮم ﻣﻬﻨﺪﺳﯽ‬،"‫ﺗﺼﻮﯾﺮ‬
.۱۳۹۵ ،‫ﺗﻬﺮان‬
‫ "ﺗﺸﺨﯿﺺ‬،‫ ﻣﺤﻤﺪرﺿﺎ‬،‫ ﻏﻼﻣﺮﺿﺎ و ﻓﯿﻀﯽ درﺧﺸﯽ‬،‫[ رادﻣﺮد‬۵]
‫ﺷﻤﺎرهی ﭘﻼک ﺧﻮدروﻫﺎی اﯾﺮاﻧﯽ ﺗﻮﺳﻂ ﺗﮑﻨﯿﮏﻫﺎی ﭘﺮدازش‬
‫ ﭘﻨﺠﻤﯿﻦ ﮐﻨﻔﺮاﻧﺲ ﻣﺎﺷﯿﻦ ﺑﯿﻨﺎﯾﯽ و‬،"‫ﺗﺼﻮﯾﺮ و ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ‬
.۱۳۸۷ ،‫ ﺗﺒﺮﯾﺰ‬،‫ﭘﺮدازش ﺗﺼﻮﯾﺮ‬
[6] Zhuang, Jiafan & Hou, Saihui & Wang, Zilei & Zha,
Zheng-Jun. Towards Human-Level License Plate
Recognition: 15th European Conference, Munich,
Germany, September 8–14, 2018.
466-473. [7] Masood, S.Z., Shu, G., Dehghan, A. and Ortiz, E.G.,
2017. License plate detection and recognition using
deeply learned convolutional neural networks. arXiv
preprint arXiv:1703.07330.
In [8] Tarigan, J., Diedan, R. and Suryana, Y., 2017. Plate
recognition using backpropagation neural network and
genetic algorithm. Procedia Computer Science, 116,
pp.365-372.
[9] Polishetty, R., Roopaei, M. and Rad, P., 2016,
December. A next-generation secure cloud-based deep
learning license plate recognition for smart cities. In 2016
15th IEEE International Conference on Machine
Learning and Applications (ICMLA) (pp. 286-293).
IEEE.
[10] Saunshi, Shrutika, Vishal Sahani, Juhi S. Patil, Abhishek
Kumar Yadav and Dr. Sheetal Rathi. “License Plate
Recognition Using Convolutional Neural Network.”
(2017).
[11] Castro-Zunti, Riel D., Juan Yépez, and Seok-Bum Ko.
"License plate segmentation and recognition system using
deep learning and OpenVINO." IET Intelligent
Transport Systems 14, no. 2 (2020): 119-126.
[12] Cheang, Teik Koon, Yong Shean Chong, and Yong
by Haur Tay. "Segmentation-free vehicle license plate
recognition using ConvNet-RNN." arXiv preprint
arXiv:1701.06439 (2017).
[13] Montazzolli, Sérgio, and Claudio Jung. "Real-time
brazilian license plate detection and recognition using
۹۵
‫داور ﮔﯿﻮﮐﯽ ﻣﺪرک ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ ﻋﻠﻮم‬
‫ ﻫﻤﭽﻨﯿﻦ ﻣﺪرک‬،‫ﮐﺎﻣﭙﯿﻮﺗﺮ از داﻧﺸﮕﺎه ﺗﻬﺮان‬
‫دﮐﺘﺮی ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ از ﭘﮋوﻫﺸﮕﺎه ﻋﻠﻮم و‬
‫ﻓﻨﺎوری اﻃﻼﻋﺎت اﯾﺮان )اﯾﺮاﻧﺪاک( را اﺧﺬ‬
‫ اﯾﺸﺎن ﻫﻢاﮐﻨﻮن ﻋﻀﻮ ﻫﯿﺌﺖ ﻋﻠﻤﯽ‬.‫ﻧﻤﻮد‬
.‫ ﻣﯽﺑﺎﺷﺪ‬۱۳۹۶ ‫داﻧﺸﮕﺎه ﻣﻼﯾﺮ از ﺳﺎل‬
[26] Zamani Y., Souri Y., Rashidi H., and Kasaei S., “Persian
‫ﻋﺬرا داﻟﻮﻧﺪ ﻣﺪرک ﮐﺎرﺷﻨﺎﺳﯽ ﺧﻮد را در رﺷﺘﻪ‬
‫ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ ﮔﺮاﯾﺶ ﻧﺮم اﻓﺰا از ﺟﻬﺎد‬
‫داﻧﺸﮕﺎﻫﯽ اراک و ﻣﺪرک ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ را‬
‫ﻧﯿﺰ از ﻣﻮﺳﺴﮥ آﻣﻮزش ﻋﺎﻟﯽ ﻋﻠﻢ ﮔﺴﺘﺮ آﻓﺮﯾﻨﺶ‬
.‫ﺑﺮوﺟﺮد اﺧﺬ ﻧﻤﻮده اﺳﺖ‬
[28] Abdi, Mohammad Javad, and H. A. M. I. D. Salimi.
‫ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر ﻣﺪرک ﮐﺎرﺷﻨﺎﺳﯽ ﺧﻮد را در‬
‫رﺷﺘﻪ ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ از داﻧﺸﮕﺎه آزاد ﺑﺮوﺟﺮد‬
‫و ﻣﺪرک ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ را از ﻣﻮﺳﺴﻪ ﻋﺎﻟﯽ‬
.‫ﻋﻠﻢ ﮔﺴﺘﺮ آﻓﺮﯾﻨﺶ ﺑﺮوﺟﺮد اﺧﺬ ﻧﻤﻮده اﺳﺖ‬
[30] A. Harifi and A. Aghagolzadeh,”A New Pattern for
‫ ﻫﻤﺎﯾﻮن رﺳﺘﮕﺎر‬،‫ ﻋﺬرا داﻟﻮﻧﺪ‬،‫داور ﮔﯿﻮﮐﯽ‬
[25] Parseh, Mohammad & Rahmanimanesh, Mohammad &
Keshavarzi, Parviz. (2020). Persian Handwritten Digit
Recognition Using Combination of Convolutional
Neural Network and Support Vector Machine Methods.
The International Arab Journal of Information
Technology. 17. 572-578. 10.34028/iajit/17/4/16.
Handwritten Digit Recognition By Random Forest and
Convolutional Neural Networks,” in Proceedings of 9 th
Iranian Conference on Machine Vision and Image
Processing, Tehran, pp. 37-40, 2015.
[27] Alaei, Alireza, Umapada Pal, and P. Nagabhushan.
"Using modified contour features and SVM based
classifier for the recognition of Persian/Arabic
handwritten numerals." In 2009 Seventh International
Conference on Advances in Pattern Recognition,
pp.391-394. IEEE, 2009.
"Farsi handwriting recognition with mixture of RBF
experts based on particle swarm optimization."
International Journal of Information Science and
Computer Mathematics 2, no. 2 (2010): 129-136.
[29] Reza Ebrahimpour, AlirezaEsmkhani and SoheilFaridi
(July, 2010) Farsi handwritten digit recognition based on
mixture of RBF experts”, IEICE Electron. Express,
Vol.7, No. 14, pp.1014- 1019
Handwritten Persian/Arabic Digit Recognition”, Journal
of Information Technology Vol. 3, 2004, pp. 249-252