Geri Dön

Deep learning based classification in through the wall microwave imaging

Duvar arkası mikrodalga görüntülemede derin öğrenme tabanlı sınıflandırma

PDF İndir

  1. Tez No: 1012080
  2. Yazar: GÜLÇİN YARIMAY
  3. Danışmanlar: PROF. DR. İBRAHİM AKDUMAN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: İnsan-yapay zeka etkileşimi, Human-artificial intelligence interaction
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu doktora tezinde, mikrodalga görüntüleme sistemlerinde nesne tespiti ve sınıflandırma problemlerinin çözümü için derin öğrenme tabanlı yöntemler ayrıntılı olarak incelenmiş ve gerçek deneysel veriler üzerinde uygulanmıştır. Çalışma, özellikle duvar arkası mikrodalga görüntüleme ve toprak altına gömülü tehditlerin algılanması gibi güvenlik ve savunma açısından kritik öneme sahip iki temel uygulama alanına odaklanmaktadır. Mikrodalga görüntüleme, elektromanyetik dalgaların malzeme özelliklerine duyarlı olması sayesinde optik veya kızılötesi yöntemlerin yetersiz kaldığı durumlarda önemli avantajlar sunmaktadır. Ancak bu avantajlara rağmen, ölçüm verilerinin karmaşıklığı ve ortam koşullarının belirsizliği nedeniyle güvenilir ve otomatik analiz hâlâ önemli bir araştırma problemidir. Geleneksel mikrodalga görüntüleme yaklaşımları genellikle fizik tabanlı modeller, ters problem çözümleri veya el ile tasarlanmış özniteliklere dayanmaktadır. Bu yöntemler, belirli varsayımlar altında çalışmakta ve çoğu zaman ideal veya yarı-ideal ortam koşullarını gerektirmektedir. Gerçek dünyada ise duvar malzemelerinin homojen olmaması, yer altı ortamının karmaşık yapısı, çoklu yansıma etkileri, ölçüm gürültüsü ve sınırlı algılayıcı geometrisi gibi faktörler bu varsayımların geçerliliğini azaltmaktadır. Bu durum, klasik yöntemlerin genellenebilirliğini ve operasyonel kullanımını ciddi şekilde kısıtlamaktadır. Bu tez, söz konusu sınırlamaları aşmak amacıyla, veriden doğrudan öğrenebilen ve karmaşık elektromanyetik etkileşimleri istatistiksel olarak modelleyebilen derin öğrenme yaklaşımlarını temel almaktadır. Tez çalışması iki ana bölümden oluşmaktadır. İlk bölümde, duvar arkası mikrodalga görüntülemede nesne ve şekil tespiti problemi ele alınmış, ikinci bölümde ise toprak altına gömülü tehditlerin sınıflandırılması problemi incelenmiştir. Her iki bölümde de ortak yaklaşım, el ile öznitelik çıkarımından kaçınılarak, derin sinir ağlarının ölçüm verilerinden ayırt edici temsilleri otomatik olarak öğrenmesidir. Tezin ilk bölümünde, duvar arkası mikrodalga görüntüleme sistemlerinden elde edilen görüntüler üzerinde nesne ve şekil tespiti gerçekleştirmek amacıyla YOLOv8 nesne algılama mimarisi kullanılmıştır. YOLO (You Only Look Once) ailesi, tek aşamalı (single-stage) nesne algılama yaklaşımı sayesinde hem yüksek hız hem de kabul edilebilir doğruluk sunmasıyla bilinmektedir. YOLOv8, bu ailenin en güncel sürümü olarak, önceki versiyonlara kıyasla daha gelişmiş kayıp fonksiyonları, daha verimli ağ mimarisi ve iyileştirilmiş eğitim stratejileri sunmaktadır. Bu özellikler, mikrodalga görüntüleme gibi hesaplama açısından yoğun ve gerçek zamanlı çalışmanın hedeflendiği uygulamalar için önemli avantajlar sağlamaktadır. YOLOv8 mimarisinde, öznitelik çıkarımı için EfficientNet tabanlı bir omurga kullanılmaktadır. EfficientNet mimarisi, ağ derinliği, genişliği ve giriş çözünürlüğünü dengeli bir şekilde ölçeklendirerek daha az parametre ile daha yüksek temsil gücü elde etmeyi amaçlamaktadır. Bu sayede model, hem eğitim süresi hem de çıkarım aşamasında hesaplama verimliliği sağlamaktadır. Ayrıca, sınırlayıcı kutu tahminlerinin doğruluğunu artırmak amacıyla Intersection over Union (IoU) tabanlı kayıp fonksiyonları kullanılmış, zor örneklerin öğrenilmesine daha fazla ağırlık vermek için focal loss yaklaşımından faydalanılmıştır. Modelin farklı boyut ve şekillerdeki nesnelere karşı daha dayanıklı hâle gelmesi amacıyla çok ölçekli eğitim stratejisi uygulanmıştır. Bu yaklaşımda, giriş görüntüleri farklı çözünürlüklerde yeniden ölçeklendirilerek modelin çeşitli mekânsal ölçeklerde öğrenme yapması sağlanmıştır. Bunun yanı sıra, aşırı öğrenmenin önüne geçmek ve genelleme yeteneğini artırmak amacıyla çevrim içi veri artırma yöntemleri kullanılmıştır. Eğitim sürecinde bulanıklaştırma, medyan filtreleme, kontrast sınırlı uyarlanabilir histogram eşitleme (CLAHE) ve yatay/dikey dönüşümler gibi artırma teknikleri uygulanmıştır. Bu sayede model, ölçüm gürültüsüne ve görüntü bozulmalarına karşı daha dayanıklı hâle getirilmiştir. Model eğitimi, sıfırdan başlatılmak yerine önceden eğitilmiş bir YOLOv8n-seg modeli kullanılarak gerçekleştirilmiştir. Bu yaklaşım, transfer öğrenmenin avantajlarından faydalanarak eğitim süresini kısaltmış ve modelin daha hızlı yakınsamasını sağlamıştır. Deneysel sonuçlar, tespit, segmentasyon ve sınıflandırma kayıplarının hem eğitim hem de doğrulama veri kümelerinde tutarlı şekilde azaldığını göstermektedir. Eğitim ve doğrulama sonuçları arasındaki farkın düşük olması, modelin aşırı öğrenme yapmadan etkili bir genelleme performansı sergilediğini ortaya koymaktadır. Tezin ikinci bölümünde, toprak altına gömülü nesnelerin algılanması ve sınıflandırılması problemi ele alınmıştır. Bu problem, savunma ve güvenlik uygulamalarında, özellikle mayın tespiti, patlayıcı algılama ve altyapı güvenliği gibi alanlarda hayati öneme sahiptir. Toprak altı algılama uygulamalarında elektromanyetik dalgaların yayılımı, ortamın dielektrik özelliklerine, nem oranına ve gömülü nesnelerin malzeme yapısına bağlı olarak karmaşık bir davranış sergilemektedir. Bu karmaşıklık, geleneksel analiz yöntemlerinin etkinliğini sınırlamaktadır. Bu tez kapsamında, doğrudan deneysel olarak ölçülmüş çok frekanslı mikrodalga S-parametre verilerini kullanan derin sinir ağı tabanlı bir sınıflandırma modeli geliştirilmiştir. Her bir örnek için 21 x 21 boyutunda S-parametre matrisleri giriş olarak kullanılmıştır. Bu matrisler, hem gömülü nesnelerin hem de çevresel ortamın elektromanyetik tepkisini kapsamlı bir şekilde temsil etmektedir. Önerilen model, bu yüksek boyutlu ve karmaşık veriden ayırt edici örüntüleri otomatik olarak öğrenerek nesnelerin sınıflandırılmasını gerçekleştirmektedir. Model, her bir ölçüm örneğini güvenli nesne, plastik tabanlı tehdit ve metal tabanlı tehdit olmak üzere üç farklı sınıfa ayırmaktadır. Eğitim ve test sonuçları, modelin yüksek doğruluk, hassasiyet, geri çağırma ve F1 skoru değerleri elde ettiğini göstermektedir. Bu metrikler, modelin yalnızca belirli bir sınıfa değil, tüm sınıflara karşı dengeli ve güvenilir bir performans sergilediğini ortaya koymaktadır. Ayrıca, modelin tamamen gerçek ölçüm verileriyle eğitilmiş olması, simülasyon tabanlı veri üretimine olan ihtiyacı ortadan kaldırarak yöntemin saha koşullarına uyum yeteneğini önemli ölçüde artırmaktadır. Genel olarak, bu tez çalışması, derin öğrenme tabanlı yaklaşımların mikrodalga görüntüleme sistemlerinde nesne tespiti ve sınıflandırma performansını önemli ölçüde iyileştirdiğini göstermektedir. Duvar arkası görüntüleme ve toprak altı algılama gibi zorlu uygulama alanlarında elde edilen sonuçlar, önerilen yöntemlerin pratik, ölçeklenebilir ve güvenilir çözümler sunduğunu ortaya koymaktadır. Bu çalışma, veri odaklı mikrodalga algılama sistemlerinin geliştirilmesi için güçlü bir temel oluşturmakta ve gelecekteki araştırmalar için önemli bir referans niteliği taşımaktadır.

Özet (Çeviri)

This dissertation explores the usage of artificial intelligence methodologies in microwave systems for object detection and classification, with a particular emphasis on through-the-wall imaging and subsurface threat identification. Conventional microwave imaging techniques typically depend on handcrafted feature extraction, model-based inversion, or expert-driven interpretation of measurement data. While these approaches have demonstrated effectiveness in controlled scenarios, their performance often degrades in complex environments involving material heterogeneity, clutter, multipath propagation, and noise. These limitations motivate the adoption of data-driven learning approaches capable of automatically extracting robust and discriminative features from raw or minimally processed microwave measurements. The first part of this study focuses on shape and object detection in through-the-wall microwave imaging using the YOLOv8 object detection framework. YOLOv8 is a real-time detection model and is selected due to its high detection accuracy. The network employs an EfficientNet-based backbone architecture, which enables improved feature representation while maintaining resource efficiency. To enhance robustness against scale variations, the model is trained using a multi-scale training strategy in which input images are resized to different spatial resolutions. Additionally, online data augmentation techniques are applied during training to prevent overfitting and improve generalization capability. YOLOv8n-seg model is utilized to reduce training time while preserving fast inference performance. Experimental results demonstrate consistent convergence of detection, segmentation, and classification loss components in the dataset. The second part of the thesis addresses the problem of subsurface threat detection and classification using experimentally measured microwave S-parameter data. Buried object detection has a critical importance in applications such as defense, security screening, and humanitarian demining, where accurate and reliable identification of threats is essential. In this work, a deep neural network is designed to process 21 x 21 S-parameter matrices. The proposed model classifies each measurement sample into three categories: safe objects, plastic-based threats, and metal-based threats. By learning directly from real experimental data, the model effectively captures the complex relationship between microwave scattering characteristics and object material properties. The proposed approach achieves high performance in accuracy, precision, recall, and F1 score, which demonstrates consistent and reliable classification performance without relying on simulation-generated data or manually engineered features. In summary, this thesis demonstrates that deep learning-based approaches significantly improve the detection and classification capabilities of microwave systems in both through-the-wall and subsurface sensing scenarios. By leveraging real measurement data and modern neural network architectures, the proposed methods enhance robustness, scalability, and practical applicability. The findings of this study contribute toward the development of reliable, data-driven microwave sensing systems and provide a foundation for future research in security, defense, and advanced subsurface imaging applications.

Benzer Tezler

  1. Tez No

    901564

    Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi

    Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks

    BERFİN YILDIZ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. GÜLEN ÇAĞDAŞ

    DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR

  2. Tez No

    1019681

    Uydu verileri temelli derin öğrenme ve açıklanabilir makine öğrenmesi teknikleri kullanılarak Sakarya ili fındık alanlarının mekansal dağılımının belirlenmesi

    Determining the spatial distribution of hazelnut areas in Sakarya province using satellite data-based deep learning and explainable machine learning techniques

    GAFUR SEMİ ŞENGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

    PROF. DR. BEYZA USTAOĞLU

  3. Tez No

    979251

    Deep learning-driven classification ofdepth image-based rendering anddynamic face warping in deepfakealtered videos for fabricated news onsocial media

    Sosyal medyada uygulanmış haberler için değiştirilmiş videoların derinlik görüntü tabanlı oluşturulması ve dinamik yüz çarpıtmasının derin öğrenme odaklı sınıflandırılması

    DUNYA AHMED AOLA ALKURDI

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MESUT ÇEVİK

  4. Tez No

    830968

    A fault classification for defective solar cells in electroluminescence imagery based on deep learning approach

    Derin öğrenme yaklaşımına dayanarak elektrolüminesans görüntülerindeki kusurlu güneş hücreleri için hata sınıflandırması

    FEED AL-LAMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MESUT ÇEVİK

  5. Tez No

    997837

    Gan tabanlı sentetik veri üretiminin h&e boyalıinvaziv duktal karsinom histopatolojik görüntülerüzerinde evrişimsel sinir ağı tabanlı sınıflandırıcıperformansına etkisi

    The effect of gan-based synthetic data generation on the performance of a convolutional neural network classifier in h&e-stained invasive ductal carcinoma histopathological images

    SERHAT ARAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DİDEM ÖLÇER

Geri Dön