Geri Dön

Derin öğrenme ile yere nüfuz eden radarlarda hedef tespiti

Target detection on ground penetrating radars (GPR) with deep learning

PDF İndir

  1. Tez No: 666259
  2. Yazar: FATİH KÖPRÜCÜ
  3. Danışmanlar: DOÇ. DR. IŞIN ERER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Science and Technology, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  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: 91

Özet

Derin öğrenme, bilgisayarların işlem kapasitelerinin artması sayesinde birçok alanda kullanılan bir yöntemdir. Her bir kullanım alanının değişkenlik gösteren ihtiyaçlarına bağlı olarak farklı derin öğrenme algoritmaları geliştirilmektedir. Çeşitli problemlere çözüm olarak uygulanabilen derin öğrenme, Yere Nüfuz Eden Radar (YNR) aracılığıyla elde edilen görüntülerde hedef tespitinde de kendine yer bulmuştur. YNR, özellikle belirli bir yüzeye gömülü hedeflerin algılanması, algılanan hedeflerin tanımlanması ve sınıflandırılmasında kullanılan araçlardan bir tanesidir. Farklı zeminlerde gömülü halde bulunan hedeflerin tespitinde, maddelerin elektriksel farklılıklarından yararlanan YNR, bu farklılıklar sonucu oluşan görüntüleri analiz ederek hedef tespitini amaçlamaktadır. Maddelerin elektriksel iletkenliği ayrıştırıcı özellik taşısa da, benzer iletkenlik değerlerine sahip olan maddelerin tespitinde zorluklar yaşanmaktadır. Bunlara ek olarak, çevreden yayılan ve hedef maddenin dışındaki maddelerden yayılan sinyaller ile zeminden kaynaklanan parlamalar hedef algılama problemini güçleştirmektedir. Karşılaşılan bu zorlukların giderilmesi ve etkileyen faktörlerin çeşitliliği nedeniyle derin öğrenme metotlarından faydalanılmıştır. Girdi olarak sağlanan veriler üzerinden öznitelikleri tanımlayarak, yeni verileri anlamlandırma yolunu kullanan derin öğrenme, YNR ile hedef tespiti aşamasında sınıflandırma amacıyla kullanılmıştır. Bu çalışmada hedef algılama problemine çözüm olarak Faster R-CNN, YOLO v3, EfficientDet ve YOLO v5 modellerine odaklanılmıştır. YNR ile hedef tespitinde karşılaşılan problemlerden biri de çeşitli sebeplerle hedefin dışındaki maddelerden yansıyan sinyallerin oluşturduğu görüntüde oluşan kargaşa verisidir. Bu kargaşaları gidermek ve asıl hedefin ortaya çıkmasını kolaylaştırmak amacıya çeşitli kargaşa giderme yöntemleri kullanılmaktadır. Bu çalışmada kargaşa gidermede kullanılan SVD, PCA, RPCA ve RNMF yöntemlerinden faydalanılmıştır. Bu yöntemlerin derin öğrenme sürecinde hedef tespitine olan etkileri de incelenmiştir. Böylece kargaşa giderme sonrasında oluşan görüntülerden elde edilen sonuçlar gözlenebilmektedir. Öncelikle ham halde kargaşa giderme uygulanmamış YNR görsellerinden oluşan veri setine sırasıyla SVD, PCA, RPCA ve RNMF yöntemleri uygulanmış ve elde edilen görseller bir araya getirilerek toplamda 5 adet veri seti elde edilmiştir. Sonrasında elde edilen veri setleri eğitim, validasyon ve test olmak üzere üç parçaya bölünerek homojen bir şekilde paylaştırılmıştır. Elde edilen eğitim veri setleri eşit sayıda görüntü barındırmaktadır ve aynı eğitim öncesi işlemlere tabi tutulmuştur. Sonrasında elimizdeki veri setleri Faster R-CNN, YOLO v3, EfficientDet ve YOLO v5 derin öğrenme modellerinin eğitimi için kullanılmış öznitelik çıktıları kaydedilmiştir. Eğitim sonucunda elde edilen derin öğrenme modellerini test veri seti ile test ederek sonuçlar karşılaştırılmıştır. Bu süreç sonunda farklı kargaşa giderme yöntemleri uygulanmış, YNR verileri ile hedef bulma görevini yerine getiren yirmi farklı algılayıcı model elde edilmiştir. Sonuçlar göz önüne alındığında EfficientDet ve YOLO v5 modellerinin YNR hedef tespitinde üstün performans gösterdiği çıktılarla doğrulanmıştır. Kargaşa giderme yöntemlerinin hedef bulma üzerindeki olumlu etkisi sonuçlar ile aktarılmıştır. Bu tezin amacı, YNR hedef tespitinde başarı oranının artırılması için derin öğrenme modellerinin kullanılması ve kargaşa giderme yöntemlerinin hedef doğruluğuna etkisinin gözlenmesidir. Bu doğrultuda farklı nesne tanıma modelleri eğitilerek sonuçlar incelenmiştir.

Özet (Çeviri)

Deep learning has been actively used in many eras because the computational power of computers increased exponentially. Variety of deep learning algorithms are being developed according to the needs of areas to use. Since deep learning can be used as a solution for many problems, it can be considered as a method for solving target detection problems on Ground Penetrating Radar images. GPR is one of the tools that is especially used for buried object detection, underground target recognition and classification of different object types. GPR uses objects' electrical specialties to distinguish them and according to these differences, it can analyze the results and detect the target objects. Therefore buried objects can be identified on different surfaces. Matters' varying electrical conductivities is a distinguishable data but some of the matters can exhibit similar conductivity therefore some problems might occur to detect target objects. Addition to that, signals that are revealed from the environment and non-target objects, reflections caused by the surface complicate the target detection problem. Deep learning is utilized to get rid of these challenges to solve different types of detection problems. Deep learning, extracts features by identifying data from input images then gathers information from new data to detect targets. It is used for the purpose of classifying objects on GPR target detection problems. GPR data can be viewed by three different scan methods: A-scan, B-scan and Cscan. A-scan is one dimensional data consist of a single measured waveform. B-scan is two dimensional view that merged by a set of A-scan data measured along the direction. C-scan is three dimensional data that consists of B-scan data merged along fixed z axis. These scan methods can be used for many different purposes depends on the detection problem. B-scan data occurs as hyperbolas on the image. Therefore, it is easy to distinguish targets on B-scan data by detecting hyperbolas. In this study, Bscan images used for training, validation and test processes. Since the targets appears on GPR images as hyperbolas, detecting the hyperbolas help the detection model to distinguish target from the other components on the image. In this study, four of the deep learning models are utilized for detecting targets. Two of them are older relatively (Faster R-CNN and YOLO v3) and the others are two of the newest deep learning object detection models (EfficientDet and YOLO v5). These deep learning models are focuses on detecting hyperbolas on the GPR images. One of the problems that encountered on GPR target detection is clutter data occurred on the image that is caused by signals that reflected from non-target objects. This clutter data makes it difficult to distinguish the target from the whole image. Various clutter removal methods are used to get rid of clutter data and make it easier to detect the main target. Clutter removal methods basically considers the GPR image data as matrix and separates target data form non-target data by using various xx൴equations. In this study, SVD, PCA, RPCA and RNMF methods are utilized as clutter removal techniques. The effects of these clutter removal methods are examined on target detection process with deep learning. Thus, the results of the images that clutter removal methods applied on can be observed separately. As the first step of the study, one data set created by raw GPR images then four different data sets are created by collecting images that SVD, PCA, RPCA and RNMF clutter removal methods applied on that raw GPR images. Then each data set is segmented into three groups such as train, validation and test. The images are shared as 70%, 20% and 10% respectively. Data sets have the same amount of images and identical pre-training processes are applied on them. The resolution of the each image on the datasets are set as 416x416 pixels. Then targets on the images are labeled and locations of the targets are noted. After that, each data set is used for training of Faster R-CNN, YOLO v3, EfficientDet and YOLO v5 models and feature outputs of the models are saved for test operations. Numerical results of the each training data are noted for comparison purposes. Trained deep learning GPR target detection models are tested on test images and the results are compared. After these processes we maintained twenty different GPR target detection deep learning models that were gained by four different models trained with four different clutter removal methods and one raw GPR data. The test results are shared with both figures and numerically. The results are compared according to both different deep learning models and clutter removal methods. Object detection test results are shared as images and detected targets are exposed with the labels and confidence scores. Additionally, models' performance compared with numerical values on a table respectively. As the results considered, it is concluded that clutter removal methods affect the performance of deep learning models positively. If its compared the raw GPR images with clutter removal applied images, it is clearly seen that the targets are more distinguishable on clutter removed images. Therefore this situation has positive effects on the models to understand the patterns of the target and gather the target features. Clutter removal effect is shown both visually and numerically on models performance. Additionally, when comparing clutter removal methods, it is stated that the models which are trained with newer clutter removal methods applied data set have better performance. SVD and PCA methods are relatively older methods but even the models that are trained with these data sets have better performance than the models trained with raw GPR. RPCA method is one of the newest methods and the performance of the models that trained with RPCA applied data set has better performance than the older methods. However, the best clutter removal method that used in this study for the GPR target detection can be concluded as RNMF. The deep learning models that are utilized in this study have different structures. Therefore their GPR target detection performances are varying according to that. Faster R-CNN and YOLO v3 models can be considered as traditional methods for object detection relative to EfficientDet and YOLO v5. The results states that, EfficientDet and YOLO v5 models have better performance than R-CNN and YOLO v3 models. Especially, newer models' structure allow them to train and detect faster then the older ones because of their calculation algorithms. EfficientDet and YOLO v5 models can detect targets more precisely and with more confidence score on GPR image data. As the results considered, the performance of the EfficientDet and YOLO v5 models on GPR target detection noted as better than Faster R-CNN and YOLO v3 models. Additionally, it is shown that the effect of the clutter removal methods on target detection is positive for deep learning models and RNMF method has the best among the clutter removal methods utilized in this study. The purpose of this study is using deep learning models to improve precision of GPR target detection and to examine the effects of the clutter removal methods on precision of the target detection. Thus different object detection models were trained and the results are analyzed.

Benzer Tezler

  1. Tez No

    684179

    Missing data recovery in GPR with deep learning

    Derin öğrenme ile GPR görüntülerinde veri kurtarma

    KÜBRA TAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. IŞIN ERER

  2. Tez No

    673539

    Yere nüfuz eden radar görüntülerinde derin öğrenme ile askeri anlamda tehdit oluşturabilecek gömülü alanların tespiti

    Detection of buried areas that can cause military threat with deep learning in ground penetreating radar images

    NİHAT ÖZSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent Üniversitesi

    Savunma Teknolojileri ve Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET DİKMEN

  3. Tez No

    800491

    Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods

    Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme

    REYHAN YURT

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMİD TORPİ

  4. Tez No

    493930

    Yere nüfuz eden radar verilerinde tel tespiti için aktarım ve çok görevli öğrenme yöntemleri

    Transfer and multi task learning methods for wire detection from ground penetrating radar data

    ENVER AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SENİHA ESEN YÜKSEL

  5. Tez No

    807236

    Deep unfolding for clutter removal in ground penetrating radar

    Yere nüfuz eden radarda kargaşa gidermek için derin katman açma

    SAMET ÖZGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. IŞIN ERER

Geri Dön