پیوندهای مفید
آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 479 |
| تعداد مقالات | 4,665 |
| تعداد مشاهده مقاله | 7,304,046 |
| تعداد دریافت فایل اصل مقاله | 5,466,244 |
شناسایی حصار شهر در مطالعۀ کالبدی شهرهای خراسان در دوران میانی اسلام با استفاده از یادگیری عمیق | ||
| مطالعات باستان شناسی دوران اسلامی Journal of Islamic Archaeology studies | ||
| مقاله 2، دوره 3، شماره 5، شهریور 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22080/jiar.2024.5499 | ||
| نویسندگان | ||
| فرشته آذرخرداد1؛ حسن هاشمی‌زرج‌آباد* 2؛ عابد تقوی3 | ||
| 1دانشجوی دکتری باستان شناسی، گروه باستان شناسی،دانشکده هنر و معماری، دانشگاه مازندران، بابلسر، ایران | ||
| 2دانشیار گروه باستان‌شناسی، دانشکدۀ هنر و معماری، دانشگاه مازندران، بابلسر، ایران | ||
| 3استادیار گروه باستان شناسی،دانشکده هنر و معماری، دانشگاه مازندران، بابلسر، ایران | ||
| تاریخ دریافت: 18 اردیبهشت 1404، تاریخ پذیرش: 18 اردیبهشت 1404 | ||
| چکیده | ||
| در مطالعات ساختار فضایی شهر، حصار شارستان از مهم‌ترین عناصر کالبدی شهرهای دوران تاریخی و اسلامی به‌شمار می‌آید. این دیوار قطور در دوران میانی اسلام، شار و عناصر داخل آن هم‌چون محلات مختلف و بازار را از ربض جدا می‌ساخت و وظیفۀ حراست و حفاظت شارستان را به‌عهده داشت. حال می‌توان برای صرفه‌جویی در زمان از روش‌های خودکار برای شناسایی عناصر شهری هم‌چون حصار شهر استفاده کرد. چنین روش‌هایی معمولاً در زمرۀ مطالعات شبکه‌های عصبی و سیستم یادگیری ماشین است. در پژوهش پیش‌رو هدف، تشخیص حصار شهر در چشم‌انداز شهرهای تاریخی خراسان در دوران میانی اسلام با استفاده از شبکۀ عصبی کانولوشنال و با الگوریتم YOLO نسخۀ 8 می‌باشد که از تصاویر هوایی دهۀ 40 و 70 خورشیدی جهت پایگاه داده استفاده شده است تا یک سیستم تشخیص الگوی خودکار حصار، در چشم‌انداز شهرهای تاریخی خراسان در دوران میانی اسلام فراهم گردد. نتایج حاصله از آموزش شبکۀ کانولوشنال با 80% داده آموزشی، 20% داده اعتبارسنجی، با تکرار 400 و با نرخ آموزشی0.01، نشان‌دهندۀ مؤثربودن داده‌های هوایی در یادگیری عمیق به‌منظور استخراج و شناسایی خودکار حصار شارستان تخریب شده با دقت 91 و میزان خطا 9% و هم‌چنین دقت 77% و میزان خطای 23% برای حصار سالم می‌باشد. | ||
| کلیدواژه‌ها | ||
| حصار شارستان؛ شهرهای خراسان؛ یادگیری عمیق؛ الگوریتم YOLO | ||
| عنوان مقاله [English] | ||
| "Deep Learning-Based Identification of City Walls in the Morphological Analysis of Khorasan’s Urban Centers During the Middle Islamic Period" | ||
| نویسندگان [English] | ||
| Fereshte Zzarkhordad1؛ Hasan Hashemi Zarj Abad2؛ Abed Taghavi3 | ||
| 1Ph.D. Student in Archaeology, Department of Archaeology, Faculty of Art and Architecture, University of Mazandaran, Babolsar, Iran | ||
| 2Associate Professor, Department of Archaeology, Faculty of Art and Architecture, University of Mazandaran, Babolsar, Iran. | ||
| 3ssistant Professor, Department of Archaeology, Faculty of Art and Architecture, University of Mazandaran, Babolsar, Iran | ||
| چکیده [English] | ||
| In the study of urban spatial structures, the Sharestan wall (urban enclosure) is one of the most significant physical elements of cities during the historical and Islamic periods. This thick wall, especially in the Middle Islamic period, separated the shar (main city area) and its internal components such as residential quarters and bazaars from the Rabad (suburban area), and served as a protective and defensive boundary for the Sharestan. Today, to save time and improve efficiency, automated methods can be used to identify urban elements like city walls. These approaches typically fall within the domain of neural networks and machine learning systems. This study aims to detect city enclosures in the landscapes of historical cities in Khorasan during the Middle Islamic period using a Convolutional Neural Network (CNN) and the YOLOv8 algorithm. Aerial photographs from the 1960s and 1990s (solar Hijri decades of the 1340s and 1370s) were used to build the dataset in order to develop an automated pattern recognition system for identifying city walls in the historical landscapes of Khorasan. The CNN was trained using 80% of the data for training and 20% for validation, over 400 iterations, with a learning rate of 0.01. The results demonstrate the effectiveness of aerial imagery in deep learning for the automatic detection and extraction of destroyed Sharestan walls, achieving an accuracy of 91% with a 9% error rate, and an accuracy of 77% with a 23% error rate for intact walls. | ||
| کلیدواژه‌ها [English] | ||
| Sharestan Wall, Cities of Khorasan, Deep Learning, YOLO Algorithm, Islamic Urban Morphology, Middle Islamic Period, Aerial Image Analysis | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 5 |
||