Geri Dön

Bulut tabanlı derin öğrenme kullanarak insansız hava araçları için gerçek zamanlı nesne algılama

Real-time object detection for unmanned aerial vehicles using cloud-based deep learning

PDF İndir

  1. Tez No: 674725
  2. Yazar: MEHMET BİLGE HAN TAŞ
  3. Danışmanlar: PROF. DR. ABDULSAMET HAŞILOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Bulut Tabanlı Derin Öğrenme, LIDAR, İnsansız Hava Aracı, Gerçek Zamanlı Nesne Algılama, Nesne Tespiti, Evrişimli Sinir Ağları, Cloud Based Deep Learning, LIDAR, Unmanned Aerial Vehicle, Real Time Object Detection, Object Detection, Convolutional Neural Network
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Amaç: Çalışma, zayıf işlem gücüne sahip ve hareket edebilen sistemlerin bulut servislerini kullanarak nesne algılayabilmesini sağlamak amacıyla yapılmıştır. Buna ek olarak, büyük veri oluşturmak için sürekli etiketleme işlemi yaparak veri seti genişletilmektedir. Çalışmada insansız hava aracıyla (İHA) bulut tabanlı derin öğrenme yöntemleri kullanarak nesne algılama yapılması hedeflenmiştir. Yöntem: Çalışmada bulut servis sağlayıcı olan Google Colaboratory ile eğitim işlemleri yapılmıştır. Eğitim işlemleri YOLO tabanlı bir sistem olup, kendi ihtiyaçlarımız doğrultusunda parametreleri revize edilerek bir evrişimli sinir ağı oluşturulmuştur. Evrişimli sinir ağı modeli, görüntü verilerini istenen piksel aralıklarına getirerek, evrişim katmanlarındaki nöronlar arasında iletişim sağlamaktadır. Etiketli olmayan resimler etiketlenerek eğitime dahil edilmektedir. Bu sayede veri havuzunun sürekli bir biçimde büyütülmesi mümkündür. İHA'larda kullanılan mikrobilgisayarlar, bu işlemler için yetersiz kalması nedeniyle bulut tabanlı bir eğitim modeli oluşturulmuştur. Bulgular: Çalışma sonucunda İHA hem manuel hem de otonom uçuş sağlayabilmektedir. Bulut tabanlı derin öğrenme modelleri istenen şekilde çalışmaktadır. Modelin doğruluğunu kayıp fonksiyonlarda görülen, düşük kayıplar ile göstermek mümkündür. Çalışmada ayrıca veri havuzu oluşturulmuş olup sürekli bir şekilde verileri bulutta tutmak mümkündür. LIDAR ile çevre etkileşimi gözlenmiş, hareketli ve hareketsiz nesnelerin fark edilmesi sağlanmıştır. Sonuç: İHA gibi hareketli sistemlerde, düşük işlem güçlü mikrobilgisayarlar kullanılmaktadır. Eğitimlerin sağlanabilmesi için yüksek işlem gücüne sahip ekran kartlarına ihtiyaç duyulmaktadır. Görüntü verileri üzerinde çalışırken güçlü ekran kartlarını kullanmak elzemdir. Böylece bulut hizmetleri kullanarak hem ekonomik açıdan hem de zaman açısından maliyet düşürülmüş. Bulut hizmetleri kullanarak eğitim hızlandırılmış, yüksek oranlı nesne tespitleri yapılmıştır. Etiketleme işlemleri yaparak, veri havuzu büyütülmüştür ve sürekli bir şekilde büyümeye devam edecektir. Bunlara ek olarak LIDAR kullanımının önemi belirtilmiştir ve çevre etkileşimi bu sayede artırılmıştır.

Özet (Çeviri)

Purpose: The study was carried out to enable mobile systems with weak processing power to detect objects using cloud services. In addition, it enlarges the dataset by continuously labeling it to create its own big data. In the study, it is aimed to make object detection using unmanned aerial vehicles and cloud-based deep learning methods. Method: In the study, training procedures were carried out with the cloud service provider Google Colaboratory. Training processes are a YOLO-based system, and a convolutional neural network was created by revising the parameters of the system in line with our own needs. In the convolutional neural network model, communication between neurons in the convolutional layers is provided by bringing the image data to the desired pixel intervals. Unlabeled pictures are included in the training by being tagged. In this way, it is possible to continuously enlarge the data pool. Since the microcomputers used in unmanned aerial vehicles are insufficient for these processes, a cloud-based training model has been created. Findings: As a result of the study, the UAV can provide both manual and autonomous flight. Cloud-based deep learning models work as desired. It is possible to show the accuracy of the model with the low losses seen in missing functions. In the study, a data pool has also been created and it is possible to keep the data in the cloud continuously. Environmental interaction was observed with LIDAR, and it was ensured that moving and stationary objects were noticed. Results: With the study, low processing power microcomputers are used in mobile systems such as UAV. Graphics cards with high processing power are needed to provide training. It is essential to use powerful graphics cards when working on image data. Thus, by using cloud services, the cost has been reduced both in terms of economy and time. By using cloud services, training was accelerated and high-rate object detections were made. By doing tagging operations, the repository has been enlarged and will continue to grow continuously. In addition to these, the importance of using LIDAR is stated and environmental interaction is increased in this way.

Benzer Tezler

  1. Tez No

    908560

    Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers

    ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti

    MEHMET ALPEREN BAKICI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  2. Tez No

    863387

    New edge computing offloading methods for next generation wireless networks

    Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri

    BESTE ATAN

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  3. Tez No

    899337

    Development of a deep learning approach for 3dimensional point cloud classification

    3 boyutlu nokta bulutlarının sınıflandırılması için derin öğrenme yaklaşımı geliştirilmesi

    ERAY SEVGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAYGIN ABDİKAN

  4. Tez No

    546544

    Emotion aware artificial intelligence for cognitive systems

    Bilişsel sistemler için duygu farkındalıklı yapay zeka

    DEĞER AYATA

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  5. Tez No

    674727

    Bulut tabanlı derin öğrenme modelleri kullanılarak insansı robotlarda duygu analizi

    Analysis of emotion in humanoid robots using cloud–based deep learning models

    MUHAMMED COŞKUN IRMAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULSAMET HAŞILOĞLU

Geri Dön