fa تشخیص نمادهای زمینی و مقاصد گردشگری با طراحی یک سرویس وب پردازش تصویر مبتنی بر شبکه های عصبی پیچشی خفیف سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">توسعه گردشگری با رشد فناوری اطلاعات و ارائه خدمات مکان-مبنا به تکامل بیشتری منتهی شده است. یکی از زیر ساخت ها در خدمات مکان-مبنا برای ایجاد برنامه های کاربردی در سال های اخیر، تشخیص مقاصد گردشگری و نمادهای زمینی از روی تصویر می باشد تا بر اساس آن سایر اطلاعات به کاربران ارائه شود. در این پژوهش، به عنوان مشارکت اصلی، یک سرویس پردازشی وب برای برخی نمادهای شناخته شده تهران طراحی و آزمایش می شود تا امکان شناخت آن ها از تصویر به صورت آنلاین امکانپذیر شود. همچنین، از مزایای شبکه های عصبی پیچشی خفیف (</span></span>lightweight<span lang="FA"><span b="" nazanin="">) در این راستا بهره گیری می شود. برای این منظور ابتدا چهارصد تصویر از چندین نماد شهر تهران مورد استفاده قرار گرفت و یک شبکه عصبی پیچشی معمولی و یک شبکه عصبی پیچشی خفیف مورد ارزیابی و مقایسه قرار گرفت. شبکه عصبی پیچشی پیش آموزش دیده خفیف، نسبت به شبکه معمولی، صحت کلی 92% در مقابل 71% را نتیجه داد و علاوه بر برتری در سایر متریک های عملکرد، در مدت زمان بسیار کوتاهتر 5 دقیقه در مقابل 90 دقیقه، آموزش دید. پس از آن یک سرویس پردازش وب به کمک فناوری های </span></span>tensorflow<span lang="FA"><span b="" nazanin="">، </span></span>flask<span lang="FA"><span b="" nazanin=""> توسعه یافته و بر روی ارائه دهنده سرویس ابری </span></span>Render<span lang="FA"><span b="" nazanin=""> راه اندازی شد. ارزیابی های زمانی و مقیاس پذیری نیز نتایج رضایتبخشی نشان داد و روند افزایش زمانی در حضور کاربران همزمان با شیب بسیار کم 0.039 همراه شده و در 90% آزمایش ها، پاسخ موفقی از سمت سرور دریافت شد. این پژوهش نشان داد، رویکرد مذکور می تواند زیرساخت مناسبی برای شناخت و اخذ اطلاعات مقاصد گردشگری در برنامه های کاربردی باشد. </span></span></span></span></span></span></span></div> &nbsp; <p style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">The development of tourism has been further enhanced by the growth of information technology and the provision of location-based services. One of the key infrastructures in location-based services for developing applications in recent years has been the recognition of tourist destinations and landmarks from images, enabling the delivery of relevant information to users. In this study, a processing web service is designed and tested to enable real-time recognition of landmarks from images. To achieve this, an image repository of famous landmarks in Tehran was prepared, and a conventional Convolutional Neural Network (CNN) was compared with a lightweight pre-trained CNN. The lightweight pre-trained CNN outperformed the conventional model, achieving an overall accuracy of 92% compared to 71%. Additionally, it showed superiority in other performance metrics and required significantly less training time&mdash;5 minutes versus 90 minutes. Following this, a web processing service was developed using TensorFlow and Flask and deployed on the Render cloud service provider. Time-based and scalability evaluations produced satisfactory results, showing a minimal latency increase of 0.039 in the presence of concurrent users. Furthermore, in 90% of tests, the server successfully responded. This research demonstrated that the proposed approach could serve as a suitable infrastructure for recognizing and retrieving information about tourist destinations in application development.</span></span></p> پردازش تصویر, یادگیری عمیق, شبکه عصبی پیچشی خفیف, میراث فرهنگی, گردشگری, خدمات وب Image processing, deep learning, lightweight convolutional neural network, cultural heritage, tourism, web services 37 48 http://jgst.issgeac.ir/browse.php?a_code=A-10-115-4&slc_lang=fa&sid=1 Mohammad Hassan Vahidnia محمد حسن وحیدنیا vahidnia84@gmail.com 100319475328460010914 100319475328460010914 Yes Shahid Beheshti University دانشگاه شهید بهشتی