İnsansız hava araçlarının derin öğrenme tabanlı tespiti ve sınıflandırılması
Deep learning based detection and classification of unmannedaerial vehicles
- Tez No: 610893
- Danışmanlar: PROF. DR. ÖZGÜL SALOR DURNA, DR. ALPER BEREKETLİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 71
Özet
İnsansız hava araçları (İHA) son yıllarda yaygın şekilde kullanılmaktadırlar. Sayıları ve çeşitleri artan bu hava araçlarının yetenekleri önemli ölçüde geliştirilmiştir. Bu durum, kritik bölgelerde İHA'ları tespit etmeyi ve sınıflandırmayı zorunlu hale getirmiştir. Bu tezde, İHA'ları öznitelik görüntüleriyle tespit etmek ve sınıflandırmak amacıyla bir model önerilmiştir. Öznitelik görüntülerini birbirinden ayırmak için derin öğrenmenin bir algoritması olan evrişimli sinir ağları (ESA) araştırılmıştır. Kısa zamanlı Fourier dönüşümü (KZFD), Mel frekans kepstral katsayıları (MFKK) ve Gramian açısal alan dönüşümü (GAAD) kullanılarak üç öznitelik görüntüsü çıkarım yöntemi önerilmiştir. Ortamsal gürültüye ve iki İHA'ya ait gerçek dış ortamda toplanmış akustik sinyallerden faydalanılarak oluşturulan öznitelik görüntüleri ESA'nın eğitimi ve testi için kullanılmıştır. Önerilen modelin öznitelik görüntüsü çıkarım yöntemine ve mesafeye göre performans değerlendirmesi yapılmıştır. İHA ve kayıt alan mikrofon arasındaki mesafeye göre üç farklı veri kümesi oluşturulmuştur. Veri kümesi-1, veri kümesi-2 ve veri kümesi-3, sırasıyla 1-100 metre, 1-300 metre ve 1-500 metre arasında kaydedilen akustik sinyalleri içermektedirler. Ayrıca, bu veri kümelerine ortamsal gürültü kayıtları da eklenmiştir. Bu veri kümeleri için, ESA ayrı ayrı eğitilmiş ve eğitimde kullanılmayan öznitelik görüntüleriyle test edilmiştir. Deneysel sınıflandırma sonuçları, ESA'nın KZFD kullanılarak elde edilen öznitelik görüntüleriyle eğitildiğinde, veri kümeleri için sırasıyla %96.4, %87.0 ve %85.6 makro f-ölçüm değerlerine ulaştığını göstermiştir. MFKK kullanılarak %94.0, %78.0 ve %78.3 ve GAAD kullanılarak %82.9, %67.4 ve %63.9 makro f-ölçüm değerlerine ulaşılmıştır. Sonuçlara göre yüksek sinyal gürültü oranına sahip akustik sinyallerle elde edilen öznitelik görüntülerinin ESA tarafından daha yüksek başarıyla sınıflandırıldığı gösterilmiştir. KZFD yönteminin MFKK ve GAAD yöntemlerine göre daha güçlü olduğu gösterilmiştir.
Özet (Çeviri)
The number and variety of unmanned aerial vehicles (UAVs) have increased, and their capabilities have been improved in recent years. This necessitates the detection and classification of UAVs in mission-critical applications. In this thesis, a model is proposed to detect and classify UAVs based on their feature images. We investigate convolutional neural networks (CNN), a subset of deep learning, to distinguish feature images. The feature images extracted from short-time Fourier transform (STFT), Mel-frequency cepstral coefficients (MFCC) and Gramian angular field transformation (GAFT) are used for training and testing of the CNN. We exploit acoustic signals of two commercial UAVs collected at actual outdoor environments, as well as ambient-noise for feature images extraction. The proposed model is evaluated in term of feature images extraction methods and distance. Three datasets are constructed based on the distance between UAV and the recording microphone. Dataset-1, dataset-2 and dataset-3 include acoustic signals recorded between 1-100 meters, 1-300 meters and 1-500 meters, respectively. Then, ambient-noise recordings are added to the datasets. For the datasets, the CNN is separately trained, and tested with unseen data. The experimental classification results show that the network achieves macro f-score of 96.4%, 87.0% and 85.6% using STFT feature images for the datasets respectively. MFCC technique yields macro f-score of 94.0%, 78.0% and 78.3%, and GAFT, 82.9%, 67.4% and 63.9%. According to the results, the CNN classify the feature images obtained with acoustic signals having high signal-to-noise ratio with higher success. STFT method outperforms MFCC and GAFT methods in term of robustness.
Benzer Tezler
- İnsansız Hava Aracı tespiti ve sınıflandırılması için derin öğrenme tabanlı tekniklerin geliştirilmesi
Development of deep learning based techniques for Unmanned Aerial Vehicle detection and classification
EMRULLAH KIZILAY
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Geleneksel öznitelikleri CNN modellerine enjekte ederek uydu görüntülerinde arazi sınıflandırması
Land classification in satellite images by injecting traditional features to CNN models
MEHMET ÇAĞRI AKSOY
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEM ÜNSALAN
- Gerçek zamanlı ray takibi için otonom İHA algoritmalarının geliştirilmesi ve gürbüz derin öğrenme tabanlı kusur tespiti
Development of autonomous UAV algorithms for real-time rail tracking and robust deep learning based defect detection
EMRE GÜÇLÜ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN AKIN
- İnsansız hava aracından alınan görüntülerden derin öğrenme yöntemi ile yangın tespiti
Fire detection with deep learning method from images taken from unmanned aerial vehicle
MUSA CESUR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAYYİP ÖZCAN
- COVID-19'a karşı insansız hava aracı ile derin öğrenme tabanlı maske tespiti
Deep learning based mask detection with unmanned aerial vehicle against COVID-19
MÜCAHİT AKAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaramanoğlu Mehmetbey ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR SABANCI