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
- Tez No: 673539
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET DİKMEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri ve Sistemleri Ana Bilim Dalı
- Bilim Dalı: Savunma Elektroniği ve Yazılım Bilim Dalı
- Sayfa Sayısı: 77
Özet
Gömülü kara mayınlarının ve el yapımı patlayıcıların varlığı, özellikle ordular için dünyanın birçok bölgesinde ciddi bir tehdittir. Gömülü nesneleri tespit etmek ve sınıflandırmak için literatürde çeşitli teknikler önerilmiş ve geliştirilmiş olmasına rağmen, yüksek doğruluk performansı sağlayan otomatik ve kullanımı kolay sistemler hala araştırılmaktadır. Evrişimsel Sinir Ağları (ESA) yakın zamanda görüntü sınıflandırma ve nesne algılama görevlerinde olağanüstü performans göstermiştir. Büyük miktarda veri ve donanım teknolojisindeki iyileşme, ESA'ndaki araştırmayı hızlandırmış ve son zamanlarda derin ESA mimarileri tanıtılmıştır. Dahası, yere nüfuz eden radar (YNR) yardımıyla gömülü nesnelerin tespiti için ESA da kullanılır hale gelmiştir. YNR, gömülü tehdit tespiti için en çok çalışılan yöntemlerden biridir. Bu tez çalışmasında kullanılan veriler araca monteli YNR sistemi kullanılarak toplanmıştır. Deneysel veri seti 8664 pozitif ve 8596 negatif YNR görüntüsünden oluşmaktadır. Bu tez çalışması, YNR verilerinde gömülü tehditlerin tespiti için yeni bir ESA mimarisi önermektedir. Önerilen ESA ile gerçekleştirilen sınıflandırmada 10 kat çapraz doğrulama kullanılmış ve ortalama yüzde 98 genel doğruluk elde edilmiştir. Önerilen ESA mimarisi literatürde bilinen farklı ESA mimarileri ile de kıyaslanmıştır. Ayrıca, filtre sayısı, optimizasyon çeşitleri, dropout oranı ve auto encoder downsampling gibi farklı parametreler ile de test edilerek önerilen mimarinin avantaj ve dezavantajları ortaya konulmuştur.
Özet (Çeviri)
The presence of buried landmines and improvised explosive devices is a serious threat in many areas around the world, especially for armies. Despite the fact that various techniques have been proposed and improved in the literature to detect and classify buried objects, automatic and easy to use systems providing high accuracy performance are still under research. Convolutional Neural Networks (CNNs) have recently shown outstanding performance on image classification and object detection tasks. The availability of large amount of data and improvement in hardware technology has accelerated the research in CNN, and in the recent times deep CNN architectures have been introduced. Moreover, CNNs are also used for the detection of buried objects with the help of ground penetrating radar (GPR). GPR is one of the most studied modalities for buried threat detection. The data used in thesis was collected using a vehicle mounted GPR system. The experimental data set comprised of 8664 positive and 8596 negative GPR images. This study proposes a novel CNN architecture for the detection of buried threats in GPR data. In the classification performed with the proposed CNN, 10-fold cross-validation was used and an average overall accuracy of 98 percent was obtained. The proposed CNN architecture has also been compared with different CNN architectures known in the literature. In addition, the advantages and disadvantages of the proposed architecture are revealed by experimenting the architectural filter sizes, optimization types, dropout rates and auto encoder downsampling features.
Benzer Tezler
- Deep unfolding for clutter removal in ground penetrating radar
Yere nüfuz eden radarda kargaşa gidermek için derin katman açma
SAMET ÖZGÜL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Missing data recovery in GPR with deep learning
Derin öğrenme ile GPR görüntülerinde veri kurtarma
KÜBRA TAŞ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Derin öğrenme ile yere nüfuz eden radarlarda hedef tespiti
Target detection on ground penetrating radars (GPR) with deep learning
FATİH KÖPRÜCÜ
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Yer altına gömülü nesnelerin tespit edilmesinde üretken çekişmeli ağ metoduyla üretilen verilerin etkisinin incelenmesi
Investigation of the effect of the data produced by the gan method on the detection of buried objects
SERTAN AKÇALI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiDeniz Elektronik Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ERDEN
- Developing algorithm for automatic detection of caves using unmanned aerial vehicle data
İnsansız hava araçlarından elde edilen verilerle otomatik mağara tespiti yapabilen algoritmanın geliştirilmesi
MUSTAFA BÜNYAMİN SAĞMAN
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. ORKAN ÖZCAN