Derin öğrenme algoritmaları kullanarak insansız hava araçları ile silah tespiti
Weapon detection with unmanned air vehicle images through deep learning algorithms
- Tez No: 636954
- Danışmanlar: DR. ÖĞR. ÜYESİ CAFER BUDAK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Batman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 120
Özet
Derin öğrenme algoritmalarının günümüzde yaygınlaşması görüntü ve videolarda nesne tespit, tanıma uygulamalarının artmasına sebep olmuştur. Nesne tespit ve tanıma uygulamaları son yıllarda güvenlik, savunma, doğal afetler (sel, deprem ve yangın vb.), sağlık (salgınların yayılımının önlenmesi vb.), tarım, ormancılık alanlarında birçok problemlere çözüm bulmaktadır. Nesne tespit, tanıma uygulamalarında oldukça yaygın kullanılan algoritmaların başında Bölgesel Tabanlı Konvolüsyonel Sinir Ağları (R-CNN) gelmektedir. Bölgesel Tabanlı Konvolüsyonel Sinir Ağları (R-CNN)'nın geliştirilen tespit uygulamalarına yardımcı olmaları açısından Fast R-CNN ve Faster R-CNN algoritmaları geliştirilmiştir. Nesne tespit uygulamalarının başarısını daha da artırmak için kullanılan bir başka CNN algoritması da ResNet101 algoritmasıdır. Özellikle görüntü tespitinde yaygın bir şekilde kullanılan ResNet101, R-CNN, Fast R-CNN ve Faster R-CNN algoritmalarının birbirleri arasındaki nesne tespit doğruluk oranı, nesne tespit zamanı gibi farkları en aza indirgemek için tercih edilmiştir. Bu çalışmada insansız hava aracı ile havadan çekilmiş görüntülerden nesne (silah) tespiti yapılması amaçlanmıştır. Elde edilen görüntülerde Bölgesel Tabanlı Konvolüsyonel Sinir Ağlarının (R-CNN) nesne (silah) tespitinde doğru tahmin oranının diğer R-CNN çeşitlerinden yüksek olması sebebiyle tercih edilmiştir. R-CNN algoritmalarının yanında doğru tahmin oranına katkısını görebilmek maksadıyla ResNet101 algoritmasının kullanımı bu çalışmada denenmiştir. Bu kapsamda insansız hava aracı ile havadan çekilmiş 200 adet görüntü kullanarak eğitim verileri ve test verileri oluşturulmuştur. Yapılan eğitim sonucunda veri seti üzerinde Bölgesel Tabanlı Konvolüsyonel Sinir Ağları (R-CNN) mimarisi ve ResNet101 mimarisiyle %99 doğruluk oranı, hassaasiyet ile görüntü tespit edilmiştir. Söz konusu çalışma ile Bölgesel Tabanlı Konvolüsyonel Sinir Ağları (R-CNN) mimarisinin ve ResNet101 mimarisinin insansız hava araçları görüntülerinde nesne (silah) tespitinde ne kadar başarılı olduğu ortaya konulmuştur.
Özet (Çeviri)
The proliferation of deep learning algorithms today has led to an increase in object detection and recognition applications in images and videos. Object detection and recognition applications have found solutions to many problems in the fields of security, defense, natural disasters (flood, earthquake and fire etc.), health (prevention of the spread of outbreaks etc.), agriculture, forestry in recent years. Regional Based Convolutional Neural Networks (R-CNN) are among the most widely used algorithms in object detection and recognition applications. Fast R-CNN and Faster R-CNN algorithms have been developed in order to assist the detection applications of Regional Based Convolutional Neural Networks (R-CNN). Another CNN algorithm used to further increase the success of object detection applications is the ResNet101 algorithm. Especially, ResNet101, which is widely used in image detection, has been preferred to minimize differences such as object detection accuracy rate, object detection time of R-CNN, Fast R-CNN and Faster R-CNN algorithms. In this study, it is aimed to detect objects (weapons) from aerial images taken by unmanned aerial vehicle. In the images obtained, Regional Based Convolutional Neural Networks (R-CNN) were preferred because the correct prediction rate was higher than other R-CNN types in object (weapon) detection. In addition to R-CNN algorithms, the use of ResNet101 algorithm has been tried in this study in order to see its contribution to the correct prediction rate. In this context, training and test data sets were created using 200 images taken from the air with a drone. As a result of the training, the image based result was obtained with Regional Based Convolutional Neural Networks (R-CNN) architecture and ResNet101 architecture with 99% accuracy rate on the data set. With this study, it has been demonstrated how successful the regional-based Convolutional Neural Networks (R-CNN) architecture and ResNet101 architecture are in the detection of objects (weapons) in unmanned aerial images.
Benzer Tezler
- Missile evasion maneuver generation with model-free deep reinforcement learning
Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları
MUHAMMED MURAT ÖZBEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- Multi agent planning under uncertainty using deep Q-networks
Derin Q-ağları kullanımı ile belirsizlik altında çoklu ajan planlaması
FARABİ AHMED TARHAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Drone ile drone takibi için dağıtık derin takviyeli öğrenme yaklaşımları
Distributed deep reinforcement learning approaches for drone tracking with drone
ZİYA TAN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER