آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,381 |
| تعداد مقالات | 16,906 |
| تعداد مشاهده مقاله | 54,423,358 |
| تعداد دریافت فایل اصل مقاله | 17,098,995 |
بهبود تشخیص تصاویر اندوسکوپی کپسولی با استفاده از شبکه عصبی YOLO | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| دوره 55، شماره 1 - شماره پیاپی 111، خرداد 1404، صفحه 83-90 اصل مقاله (589.57 K) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.58239.4711 | ||
| نویسندگان | ||
| Shokoufeh Hatami1؛ Sina Behnam2؛ Reza Shamsaee* 3 | ||
| 1دانشکده مهندسی کامپیوتر دانشگاه سجاد- مشهد-ایران | ||
| 2دانشکده مهندسی کامپیوتر، دانشگاه سجاد- مشهد- ایران | ||
| 3عضو هیات علمی / دانشگاه سجاد | ||
| چکیده | ||
| فناوری اندوسکوپی کپسولی (CE) توسعه سریعی را تجربه می کند. این پیشرفت وابسته به سهولت استفاده، طول عمر بالای باتری، و کیفیت خوب تصاویر است. اگرچه وضوح دنباله‌های تصاویر این تکنیک درحال رشد است، شناسایی محتوای مورد علاقه در آن نیازمند صرف زمان و تلاش زیادی است. برای این مورد، روشی جدید در این مقاله ارایه شده است که مبتنی بر معماری شبکه عصبی متداول (YOLO v5) بوده و توسط آن مکان و برچسب توده‌ها برروی دو پایگاه دادگان قابل دسترس عموم مورد آزمایش قرار گرفته است. شبکه عصبی دیگری به نام (GPD) که براساس معماری (ALexNet) می باشد به عنوان رقیب انتخاب شده است. هدف اصلی از این تحقیق کاهش زمان تشخیص با حفظ دقت موجود توسط (Yolo) بوده است. خوشبختانه نتایج 6% هم، در صحت تشخیص نسبت به رقیب رشد داشته. بعلاوه، (Yolo ) 58% کارایی بهتر در متوسط زمان پیشبینی از خود نمایش می‌هد و هر فریم در 5.39 میلی ثانیه مورد تحلیل قرارمی‌گیرد. همچنین، مقیاس پذیری (Yolo) مورد بررسی قرارگرفته است، که نتایج اشاره به تنزل مطبوع کیفیت، به اندازه 6.95 مرتبه برروی دادگان (Kvasir) دارد، که اثبات بر کاربردی بودن (Yolo) در این حوزه است. افزایش کیفیت ورودی منجر به نتایج بهتر در (Yolo) شده است. تمامی پیاده سازی‌ها ومطالب پیرامونی برروی سایت (GitHub) قابل دسترس است. | ||
| کلیدواژه‌ها | ||
| مطالعه بیماریهای معده و روده؛ اندوسکوپی کپسولی؛ GPD؛ YOLO | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 324 تعداد دریافت فایل اصل مقاله: 40 |
||