Geri Dön

Derin öğrenme algoritmaları kullanarak güvenli çocuk oyun alanlarında karşılaştırmalı tehlikeli nesne tespiti yapılması

Comparative suspicious object detection in safe playgrounds using deep learning algorithms

  1. Tez No: 659043
  2. Yazar: MEHMET FATİH İNKAYA
  3. Danışmanlar: PROF. DR. HAKAN GÜRKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: YOLOv3, Akıllı Şehir, Çocuk Oyun Alanı, Köpek Tespiti, Hızlı Yardım İstasyonu, YOLOv3, Smart City, Children's Playground, Dog Detection, Fast Emergency Station
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Bursa Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 71

Özet

Türkiye Cumhuriyeti Sağlık Bakanlığı Halk Sağlığı Genel Müdürlüğü verilerine göre Türkiye'de her yıl yaklaşık 250.000 kuduz riskli vaka görülmektedir. Bu vakaların büyük bir kısmı çocukların tatilde olduğu yaz aylarında ve çocuk oyun alanlarında köpek saldırısı şeklinde gerçekleşmektedir. Derin öğrenme temelli bilgisayar görüsü teknolojisinin gelişmesiyle birlikte çocuk oyun alanlarındaki tehlikeli nesnelerin (silah, bıçak, köpek vb.) otomatik tespiti önemli bir güvenlik uygulaması olarak ortaya çıkmıştır. Bu çalışmada daha önceden çocuk oyun alanlarında konumlandırılmış olan hızlı yardım istasyonları kullanılarak otomatik nesne (köpek) tespitinin yapılması amaçlanmıştır. Hem geleneksel hem de bölge önermeli ve tek aşamalı derin öğrenme temelli nesne tespit algoritmaları incelenmiş, başarım değerleri karşılaştırılmıştır. Karşılaştırma sonrasında bu tez çalışmasında yüksek fps ve mAP değeri nedeniyle YOLOv3 algoritmasının kullanılması tercih edilmiştir. Tek aşamalı nesne tespit algoritmaları görüntüyü tek bir seferde regresyon işlemine tabi tutarak nesnelerin sınıfını ve konumlarını aynı anda tahmin ettiklerinden bölge önermeli modellerden daha hızlıdır ve gerçek zamanlı uygulamalar için kullanımı daha uygundur. Güvenlik sistemlerindeki gerçek zamanlı ve anlık tepki verilmesi ihtiyacı ile çocuk oyun alanlarındaki çocuk ve köpeklerin hızlı ve hareketli yapıları göz önüne alınarak çocuk oyun alanları için YOLOv3 algoritması temelli nesne tespit modeli önerilmiştir. Öncelikle, orijinal veri setlerindeki sahipsiz köpek görüntü verisi eksikliğinin giderilmesi için bir hayvan barınağındaki sahipsiz köpeklerin görüntüleri çekilerek veri setine eklenmiştir. Sonrasında, çocuk oyun alanında mevcut hızlı yardım istasyonunun kamera kayıtları ve açık kaynak veri setinden alınan görüntüler de bu veri setine eklenerek toplam 878 görüntüden oluşan yeni bir veri seti elde edilmiştir. Bu yeni görüntüler eğitim verisi çeşitliliğini etkili bir şekilde arttırmış ve önerilen modelin eğitim performansını iyileştirmiştir. Önerilen model, çeşitli hiperparametreler kullanılarak optimize edilmiş ve sonuçlar birbiriyle karşılaştırılmıştır. En iyi değerlendirme sonuçlarına sahip model yeni bir akıllı şehir güvenlik uygulaması olarak önerilmiş ve seçilen çocuk oyun alanında bulunan hızlı yardım istasyonuna entegre edilerek köpeklerin otomatik olarak tespit edilmesi için uygulanmıştır. Optimize edilen hiperparametrelerle birlikte gerçek zamanlı köpek tespit uygulaması çocuk oyun alanında ihtiyaç duyulan hız ve doğruluğu da karşılayacak şekilde %82,59 AP @25 fps değerine ulaşmıştır.

Özet (Çeviri)

According to the reports of Turkish Public Health Institution, approximately 250,000 rabies-risk animal bites occur per year in Turkey. Most of these bites are caused by dogs and most of the victims are the children who play in playgrounds in summer holidays. With the development of deep learning-based computer vision technology, autonomous detection of dangerous objects (handguns, knives, dogs, etc.) in these children's playgrounds has become a crucial security application. In this study, it is aimed to perform autonomous object (dog) detection by using fast emergency station located in the selected children's playground. Both traditional methods and region-proposal and single shot deep learning-based object detection algorithms have been examined. The evaluation scores of these algorithms are compared. After the comparison, in this thesis the YOLOv3 algorithm has been preferred due to its high speed and high mAP value. Single shot algorithms regress the image at once, estimate the class of objects and their position at the same time. Therefore, they are faster than region-proposal algorithms and more suitable for real-time detection. The YOLOv3 algorithm-based object detection model is proposed for children's playgrounds, due to the need for real-time and instant response in security systems and the fast moving of children and dogs in children's playgrounds. Firstly, in view of the problem of insufficient stray dog image data in the original datasets, new images of stray dogs have been taken from an animal shelter and they have been added to the dataset. Then, a new dataset that contains 878 images has been created by adding video recordings of the fast emergency station and images from an open images dataset. These new images have effectively enriched the diversity of training data and improved the training performance of the proposed model. The proposed model has been optimized by utilizing various hyperparameters and the results have been compared with each other. The model with the best evaluation scores is proposed as a new smart city security application and applied to detect dogs automatically by the fast emergency station located in the selected children's playground. The real-time application achieved 82.59% of AP @25 fps with adjusted hyperparameters to meet the speed and accuracy needs in the children's playgorund.

Benzer Tezler

  1. Video üzerinde derin öğrenme ile nesne sansürlüme

    Sensor processing on video with deep learni̇ng

    YERNIYAZ BAKHYTOV

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMİL ÖZ

  2. Vision-based landing site detection for a UAV: From theory to application

    İHA için görüş tabanlı iniş yeri tespiti: Teoriden uygulamaya

    HEDAYAH OTHMAN ISMAIL OZDEMIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Havacılık ve Uzay MühendisliğiAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DAVOOD ASADIHENDOUSTANI

  3. Deep reinforcement learning approach in control of Stewart platform- simulation and control

    Stewart platformunun kontrolünde derin pekistirmeli öğrenme yaklaşımıc- simülasyon ve kontrol

    HADI YADAVARI

    Doktora

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERHAT İKİZOĞLU

    DR. ÖĞR. ÜYESİ VAHİT BARIŞ TAVAKOL

  4. Secure and coordinated beamforming in 5G and beyond systems using deep neural networks

    5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme

    UTKU ÖZMAT

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI

    DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL

  5. An online network intrusion detection system for DDoS attacks with IoT botnet

    IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi

    ERİM AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞERİF BAHTİYAR