الخلاصة

تلعب الصور الحرارية دورًا حاسمًا في اكتشاف الأشياء لمختلف التطبيقات، بما في ذلك المراقبة والأمن والأتمتة الصناعية وملاحة المركبات، حيث يمكنها التقاط التوقيعات الحرارية. ومع ذلك، فإن التحديات مثل التباين المنخفض، والأنماط الحرارية المتقلبة، وغياب مجموعات البيانات الحرارية المحددة تتطلب خوارزميات متخصصة لتحديد الكائن وموقعه بدقة. يستكشف هذا البحث مجال اكتشاف الأشياء في الصور الحرارية، وهو جانب حيوي لتطبيقات مثل المراقبة والأنظمة المستقلة.
استخدمت هذه الأطروحة منهج معادلة الرسم البياني التكيفي المحدود للتباين (CLAHE) في معالجة الصور لتحسين التباين. تحاول مرحلة ما قبل المعالجة هذه تحسين أداء خوارزميات التعرف على الكائنات اللاحقة من خلال معالجة المشكلات المتعلقة بالتباين في الصور الحرارية
القسم الأول من هذه الدراسة هو تحديد نموذج الشبكة العصبية التلافيفية الذي يمكن استخدامه في حالات التصنيف. باستخدام 2,956 صورة حرارية، قامت الدراسة بتقييم الدقة والدقة ودرجة F1 واستدعاء بنيات MobileNetV2 وVGG19.
أظهرت النتائج أن دقة MobileNetV2 بلغت 97% ودرجة F1 96.8%، في حين بلغت دقة VGG19 97% ودرجة F1 96.6%. توفر هذه الدراسة رؤى قيمة حول تطبيق طرق تعلم النقل لتصنيف الصور الحرارية وتوفر نظرة شاملة عن فعالية الخوارزميات المختلفة في مواجهة التحديات التي تطرحها ظروف التصوير الحراري.
في القسم الثاني من هذه الدراسة، نستفيد من نهج YOLOv8، الذي تم الاعتراف به على نطاق واسع للكشف الدقيق عن الكائنات في الوقت الفعلي، مما يعزز أداء الكشف في منطقة الصور الحرارية الصعبة. تم تدريب هذه التقنية باستخدام مجموعة بيانات مختارة تحتوي على 1,898 صورة، تم استخدام 1443 منها للتدريب، و380 للتحقق من الصحة، و75 للاختبار. استخدمنا هذا النهج لتقسيم الكائنات في الصور الحرارية. يُظهر متوسط دقة الخوارزمية (mAP50) البالغة 82% مدى فعاليتها. تؤكد هذه النتائج أن YOLOv8 مناسب لتطبيقات التصوير الحراري، وهي مناطق جديدة تتطلب اكتشافًا دقيقًا للأشياء في ظل ظروف شديدة الحرارة.