Konvolüsyonel yapay sinir ağları ve ileri görüntü işlemeteknikleri ile tehlikeli madde tespiti ve sınıflandırılması
Dangerous material detection and classification withconvolutionary artificial neural networks and image processing techniques
- Tez No: 666033
- Danışmanlar: PROF. DR. MURAT HÜSNÜ SAZLI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
Günümüzde dünyanın çeşitli yerlerinde ve ülkemizde yaşanan silahlı terör eylemleri ile birlikte güvenliği tehdit eden bu eylemlere karşı alınacak önlemler son derece önem kazanmıştır. Silahlı saldırıların engellenmesine yönelik çalışmaların temel amacı daha güvenli bir yaşam alanı oluşturmaktır. Bu bağlamda hem özel kuruluşlarda hem de kamu binalarında silahlı saldırılara karşı güvenli bir ortamı oluşturmak öncelikli yapılması gereken bir iş olarak belirmektedir. Silahlı terör eylemlerine önlemek amacıyla ilk elden yapılması gereken bunların güvenlik güçleri tarafından erken anlaşılması ve böylece hızlı tepki vermeyi sağlamaktır. Gelişen teknoloji ile yeni derin yapay sinir ağları mimarileri gelişmiştir. Böylece konvolüsyonel sinir ağları ile nesne tanıma çalışmaları daha çok gerçek hayata uygulama fırsatı elde edilmiştir. Derin ağlar ile nesne tanıma konusundaki başarı oranlarının artması ilgili araştırmaların ve uygulama alanlarının da artmasına sebep olmuştur. Uygulama alanlarının artmasıyla birlikte nesne tespitinin savunma alanında kullanılması imkanı doğmuştur. Görüntü üzerinde tehlikeli nesneleri tanıyan savunma sistemleri silahlı olaylara karşı erken müdahale edilmesine olanak sağlar. Kamera sistemlerinde elde edilen görüntülerde tehlikeli nesne tanıma amacı doğrultusunda tez kapsamında önce Efficient-Net mimarisi ile tabanca ve tüfek görüntüleri ikili sınıflandırma işlemi uygulanmıştır. Bu sınıflandırma kapsamında başarı oranları onaylama setinde %90 - %95 aralığında olmuştur. Nesne tanıma kapsamında kendi veri tabanı oluşturularak ve nesne tanıma uygulaması kullanılarak ResNet101 v2 mimarisi ile yapılan eğitimde tabanca tüfek tehlikeli nesnelerinin doğruluk (accuracy) başarı oranı %93,71 oranında bulunmuştur.
Özet (Çeviri)
Today, with the armed terrorist acts taking place in various parts of the world and in our country, the measures to be taken against these actions that threaten the security have become extremely important. The main purpose of efforts to prevent armed attacks is to create a safer living space. In this context, creating a safe environment against armed attacks in both private institutions and public buildings appears as a priority task. In order to prevent armed terrorist acts, what needs to be done first hand is to ensure their early understanding by the security forces and thus a rapid response. New deep artificial neural network architectures have been developed with the developing technology. With artificial neural networks, the opportunity to apply object recognition studies to real life has been obtained. The increase in the success rates in object recognition with deep artificial neural networks has led to an increase in related research and application areas. With the increase in application areas, the possibility of using object detection in the field of defense has been included. Detection of dangerous objects with defense systems allows early intervention against armed attacks. Armed injuries resulting in death can be reduced through early intervention. By determining the location in attacks made with dangerous objects, it can give a faster chance to intervene in injuries caused by dangerous objects. In line with the aim of detecting dangerous objects in the images obtained from camera systems, first of all, the Efficient-Net architecture and dual classification of gun and rifle images were applied. Within this classification, success rates were between 90% and 95% in the validation set. In the training performed with ResNet101 v2 architecture by creating an own database within the scope of object recognition and using the object recognition application, the accuracy success rate of gun and rifle dangerous objects was found to be 93.71%.
Benzer Tezler
- Image super-resolution using deep feedforward neural networks in spectral domain
Spektral alanda derin ileri beslemeli sinir ağları kullanılarak görüntü süper çözünürlüğü
ONUR AYDIN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Bilgisayarlı tomografi görüntülerinde üç boyutlu şablonlar kullanılarak kolonik polip tespiti
The colonic polyp detection using 3d templates in computed tomography colonography
NİYAZİ KILIÇ
Doktora
Türkçe
2008
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
YRD. DOÇ. DR. ONUR OSMAN
- Assessing the impact of super-resolution on enhancing the spatial quality of historical aerial photographs
Tarihi hava fotoğraflarının mekansal kalitesini artırmada süper-çözünürlüğün etkisinin irdelenmesi
ABDULLAH HARUN İNCEKARA
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Continual learning with sparse progressive neural networks
Seyrek ilerlemeli sinir ağları ile sürekli öğrenme
ESRA ERGÜN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN