en طراحی و پیاده سازی سیستم هوشمند بلادرنگ با قابلیت شناسایی و طبقه بندی موضوعات مختلف در خودروهای خودران <div style="text-align: justify;">یادگیری عمیق شاخه‌ای از یادگیری ماشینی و هوش مصنوعی و مجموعه‌ای از الگوریتم‌ها است که سعی در مدل‌سازی مفاهیم انتزاعی سطح بالا با استفاده از یادگیری در سطوح و لایه‌های مختلف دارد. به دلیل دقت و کارایی بالا، از این الگوریتم ها در خودروهای خودران استفاده شده است. بسیاری از تصادفات رانندگی ناشی از خطاهای انسانی است. یکی از دلایل توجه به خودروهای خودران پیشگیری از این حوادث با حذف یا کاهش تداخلات انسانی و در نتیجه کاهش خسارات جانی و مالی است. همچنین صرفه جویی و استفاده بهینه از زمان عامل دیگری است که خودروهای خودران را به یکی از موضوعات مورد توجه تبدیل کرده است. یکی از مواردی که در خودروهای خودران اتفاق می افتد جمع آوری اطلاعات، پیش بینی و تصمیم گیری بر اساس داده های موجود است. در این مقاله شبکه‌های مبتنی بر مدل‌های SSD و Mask RCNN را با دو نوع معماری Inceptions و Resnet در قالب TensorFlow که یک کتابخانه منبع باز است، نمایش، بررسی، مقایسه و پیاده‌سازی می‌کنیم. در پایان جدولی با مقایسه این دو مدل و نمایش مشخصات آنها ارائه کرده ایم. برای این کار از مجموعه داده Coco استفاده کرده ایم که یکی از محبوب ترین پایگاه های داده برای استفاده در رباتیک موبایل و همچنین رانندگی خودکار است. مدل SSD با معماری inception v2 سرعت بیشتری در شناسایی اشیا دارد که به 2 فریم در ثانیه می رسد اما در مدل دیگر این میزان 25 درصد کمتر است. همچنین مدل Mask RCNN دقت بیشتری نسبت به مدل SSD دارد که مشاهدات و نتایج نشان می دهد که با احتمال بیش از 88 درصد شی مورد نظر را به درستی پیش بینی می کند. تمامی محاسبات روی کارت گرافیک Nvidia P1000 Quadro تست شده است.</div> <div style="text-align: justify;">Deep learning is a branch of the machine learning and artificial intelligence and a set of algorithms, which tries to model high-level abstract concepts using learning at different levels and layers. Due to high accuracy and efficiency, these algorithms have been used in self-driving cars. Many car accidents are caused by human errors. One of the reasons for paying attention to self-driving cars is to prevent these accidents by eliminating or reducing human interference and consequently reducing the loss of life and property. Also, save and efficient use of time is another factor that has made self-driving cars one of the topics of interest. One of the things that happen in self-driving cars is collecting information, forecasting and making decisions based on available data. In this article, we represent, review, compare and implement networks based on SSD and Mask RCNN models with two types of Inceptions and Resnet architecture in the form of TensorFlow, which is an open-source library. At the end, we have provided a table comparing these two models and representing their characteristics. To do this, we have used the Coco dataset, which is one of the most popular databases for using in mobile robotics as well as automatic driving. The SSD model with the inception v2 architecture has faster speed in identifying objects, which reaches 2fps, but in the other model, this amount is 25% less. Also, the Mask RCNN model is more accurate than the SSD model, which the observations and the results show that with more than 88% probability, it predicts the desired object correctly. All calculations have been tested on the Nvidia P1000 Quadro graphics card.</div> خودروی خودران, یادگیری ماشین, یادگیری عمیق, هوش مصنوعی Autonomous vehicle, Machine learning, Deep learning, Artificial intelligence 1 7 http://sjis.srpub.org/browse.php?a_code=A-10-1-19&slc_lang=en&sid=5 Seyed Parsa Mirfasihi سیدپارسا میرفصیحی 1003194753284600548 1003194753284600548 No Faculty of Electrical Engineering, Iran University of Science and Technology, Iran. دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، ایران. Sina Ghazali سینا غزالی 1003194753284600549 1003194753284600549 No Faculty of Electrical Engineering, Iran University of Science and Technology, Iran. دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، ایران. Shahriar Baradaran Shokouhi شهریار یرادران شکوهی 1003194753284600550 1003194753284600550 Yes Faculty of Electrical Engineering, Iran University of Science and Technology, Iran. دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، ایران.