یکی از زمینه های فعال تحقیقاتی در بحث پایش سلامت سازه های بتنی تشخیص رخداد ترک در المان های سازه ای است. طبقه­بندی و تشخیص فنی براساس تصویر، روشی است که امروزه مورد توجه بسیاری از محققین قرار گرفته است. انجام روش مبتنی بر تصویر به دلیل پیشرفت فناوری تصویربرداری و پردازش سریع آن ها به سهولت صورت می گیرد، که این تشخیص توسط شبکه عصبی کانولوشن(CNN) انجام می شود. در این تحقیق تشخیص ترک در سازه­های بتنی با استفاده از شبکه عصبی کانولوشنی مطالعه شده است. مطالعه حاضر قابل تعمیم به تمام سازه­های بتنی برای نمونه سد، کانال، پل­ها، پوسته­ها، زیرسازی­های راه­ها و اسکلت­های بتنی می­باشد. بانک اطلاعاتی این پژوهش شامل 40.000 تصویر که، 20.000 تصویر بتن ترک­خورده و 20.000 بتن ترک­ نخورده با ابعاد  3×227×227 پیکسل می باشد، 80 درصد تصاویر برای آموزش و 20 درصد باقیمانده برای صحت سنجی روش شبکه عصبی کانولوشن استفاده می شوند. دقت تشخیص بتن ترک خورده از ترک نخورده در حدود 16/98 درصد می باشد، که برای عملیاتی شدن قابل قبول است و کاربردی محسوب می شود. همچنین طبق تحلیل ماتریس درهم ریختگی تعداد 147 تصویر از 8.000 تصویر داده­های صحت­سنجی به صورت اشتباه دسته بندی شده اند.

کلاس درس به عنوان یکی از مهم ترین محیط های آموزشی نقش عمده ای در یادگیری و پیشرفت تحصیلی دانش آموزان دارد. زمان واخنش به عنوان یکی از پارامترهای آکوستیکی در داخل اتاق ها، تاثیر بسزایی در کیفیت صدا دارد. عدم کارآیی مناسب فرمول های کلاسیک مانند سابین، باعث شد که در این مقاله به بررسی استفاده از روش های یادگیری ماشین به عنوان یک روش جایگزین برای پیش بینی زمان واخنش محیط پرداخته شود. در این پژوهش ابتدا با استفاده از روش های مبتنی بر آکوستیک هندسی و با استفاده از نرم افزار اودیون به جمع آوری مجموعه دادگان مورد نیاز در فرکانس های 500 و 2000 هرتز پرداخته می شود. در این مجموعه دادگان از 4 کلاس درس با فضایی مستطیل شکل، همراه با المان هایی مانند میز و صندلی و پنجره و در، استفاده شد. پس از آن به منظور ارایه یک سیستم مبتنی بر یادگیری ماشین از شبکه عصبی کانولوشنی استفاده شده است. این مدل ویژگی های محیط را در نظر می گیرد و در نهایت مقادیر زمان واخنش را به عنوان تابعی از فرکانس تولید می کند. در این پژوهش با استفاده از شبکه عصبی کانولوشنی برای فرکانس 500 هرتز به ضریب تعیین 93 درصد و برای فرکانس 2000 هرتز، ضریب تعیین 95 درصد حاصل شد.

زمینه و هدف: سیستم های تشخیص Computer-aided design به طور گسترده در تشخیص افتراقی سرطان سینه استفاده می شوند. بنابراین بهبود دقت یک سیستم CAD به یکی از حوزه های مهم تحقیقاتی تبدیل شده است. در این مقاله به بررسی سیستم های CAD مبتنی بر شبکه های عصبی عمیق از نوع کانولوشن در جهت تشخیص سرطان پستان در تصاویر ترموگرافی پرداخته شد. روش بررسی: برای تحلیل مدل ها از پایگاه داده “ Database For Mastology Research” استفاده شده است. تعداد افراد موردبررسی 196نفر، که شامل 41 مورد سرطانی و 155 مورد سالم بوده است. هر فرد دارای 10 تصویر ترموگرافی است. جمعاً تعداد تصاویر آنالیز شده 1960 تصویر ترموگرافی می باشد. طبقه بندی تصاویر حرارتی شامل سرطانی و سالم بر اساس 3 نوع شبکه عصبی کانولوشن عمیق شامل google net، resnet18 و vgg16 انجام شده است. یافته ها: میزان دقت و ویژگی نتایج به دست آمده با استفاده از مدل های شبکه های عصبی عمیق از پیش آموزش داده شده google net، resnet18 و vgg16 به ترتیب برابر 85. 03%-89. 7%، 83. 8%-91. 9% و 85. 03%-91. 01% هست. مدل ارائه شده قادر است با مورفولوژی های متفاوت بافت پستان، پاسخ قابل توجهی ارائه دهد. نتیجه گیری: مدل شبکه عصبی مصنوعی عمیق می تواند به عنوان یک روش کارآمد و هوشمند برای تشخیص سرطان در تصاویر حرارتی خام بدون استخراج ویژگی به کار گرفته شود. با این حال مطالعه و پژوهش های بیشتری برای طراحی مدل های دیگر از شبکه های عصبی مصنوعی بر اساس یادگیری عمیق جهت تشخیص بدخیم یا خوش خیم بودن سرطان در تصاویر حرارتی نیاز است.

تکنولوژی جعل عمیق امکان تولید و ایجاد خودکار محتوای ویدیویی (جعلی) را از طریق شبکه های متخاصم مولد فراهم می سازد. فناوری جعل عمیق یک فناوری بسیار چالش برانگیز با ابعاد بسیار گسترده در مسائل مختلف می باشد که بر جامعه تأثیر مستقیم می گذارد، به عنوان مثال این تکنولوژی ممکن است باعث سوگیری در انتخابات، ایجاد محتوای غیراخلاقی به منظور اخاذی، ایجاد جریانات سیاسی و غیره شود. تحقیقات زیادی به توسعه روش های تشخیص جعل عمیق برای کاهش تأثیر منفی بالقوه جعل عمیق اختصاص داده شده است. استفاده از شبکه های عصبی و یادگیری عمیق یک رویکرد مشترک بین تمام تحقیقات انجام شده در این حوزه می-باشد. در این پژوهش، از ترکیب دو شبکه عصبی GRU و LSTM برای تشخیص جعل استفاده شده است. به گونه ای که ابتدا از شبکه ی عصبی Resnet برای استخراج ویژگی های هر فریم استفاده شده و سپس دولایه GRU و LSTM با استفاده از این ویژگی ها آموزش داده شده و نهایتا آموزش لایه تماما متصل به منظور طبقه بندی نمونه های ورودی به کار گرفته می شود. برای آموزش و ارزیابی روش پیشنهادی از مجموعه داده های FaceForensics++، Celeb-DF و Deepfake Detection Challenge استفاده شده است. نتایج نشان می دهد که روش پیشنهادی صحت تشخیص 97، 93 و 84 درصدی برای مجموعه داده های ذکر شده کسب شده است و این نتایج بهبود بیش از 2 درصدی را به نسبت کارهای مشابه به همراه داشته است

در این پژوهش یک معماری غیرخطی مدل آزاد برای کنترل یک پهپاد با بال ثابت ارائه شده است. این معماری دارای حلقه های درونی و بیرونی است. حلقه های درونی که بر اساس شبکه های عصبی کانولوشن طراحی شده اند، دینامیک درونی هواپیما را به صورت مدل آزاد کنترل می کند. حلقه های بیرونی که از کنترل کننده های متداول خطی استفاده می کند، برای کنترل سینماتیک پرنده طراحی شده اند. شبکه های عصبی استفاده شده برای کنترل حلقه های درونی به صورت خارج از خط و بر اساس دو پایگاه داده آموزش می بیند تا از فرآیندهای یادگیری زمانبر به صورت برخط جلوگیری شود. این پایگاه های داده با شبیه سازی مدل های آموزشی ساده ایجاد شده اند. سپس، داده های ورودی-خروجی این مدل های آموزشی پیش پردازش شده و به فریم های تصویر نگاشت شده اند تا بتوان آن ها را به عنوان ورودی به شبکه های کانولوشن داد. پس از آن، یک ساختار شبکه مناسب انتخاب و شبکه ها بر اساس پایگاه داده نگاشت شده آموزش داده شده است. این شبکه های آموزش دیده، همراه با کنترل کننده های خطی به صورت آبشاری، به شبیه سازی غیرخطی یک پرنده بال ثابت اعمال و عملکرد آن بررسی می شود. حلقه درونی کنترل کننده که دینامیک داخلی پرنده را کنترل می کند، به دو صورت تک مرحله ای و دومرحله ای اعمال و عملکرد آن با هم مقایسه شده است.

پایش وضعیت روغن، روشی مؤثر در تشخیص فرسایش های غیرعادی یا عیوب تجهیزات و سامانه های مکانیکی است. یکی از مسائل حوزه پایش وضعیت به کمک آنالیز روغن، هزینه و زمان موردنیاز برای بررسی همه نمونه ها توسط خبره است؛ اما همه نمونه های آنالیز روغن نیاز به بررسی توسط خبره ندارند و کمتر از 10 درصد از این داده ها نشان دهنده وضعیت بحرانی است که نیاز به برنامه ریزی و اقدام سریع دارند. هدف در این مقاله تبدیل وضعیت روغن به یک تصویر است تا بتوان با نگاه به تصویر به سرعت وضعیت روغن را تشخیص داد. همچنین با پردازش این تصاویر به کمک نرم افزار بتوان وضعیت خرابی را از طریق هوش مصنوعی استخراج کرد. در این پژوهش داده ها از آزمایش نمونه روغن های موتور غلتک های راه سازی گرفته شده است. ابتدا داده ها به کمک خطوط مبنای به دست آمده برای موتورهای دیزلی و از طریق نرم افزار متلب به تصاویر مقیاس خاکستری تبدیل شد. در مرحله بعد این تصاویر به کمک روش شبکه عصبی کانولوشن پردازش شده است تا وضعیت روغن مشخص شود. مقایسه نتایج به دست آمده نشان داد تصویرسازی نتایج آنالیز روغن به درک وضعیت کلی روغن برای کاربر کمک می کند و سریع تر نمونه های بحرانی و نیازمند اقدام از بین انبوه نمونه های روغن تشخیص داده می شود.