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
- Tez No: 728827
- Danışmanlar: DOÇ. DR. FATİH ERDEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Barbaros Deniz Bilimleri ve Mühendisliği Enstitüsü
- Ana Bilim Dalı: Deniz Elektronik Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Sistemleri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 78
Özet
Yere nüfuz eden radar (YNR), engel arkası nesneleri görüntüleme amacıyla kullanılan uzaktan algılama teknolojisidir. YNR; yer altı çalışmaları, arkeoloji çalışmaları, enkaz altı çalışmaları, patlayıcı madde tespiti, duvar arkası görüntüleme gibi birçok farklı alanda kullanılmaktadır. Kullanım yaygınlığıyla beraber YNR tarafından elde edilen görüntülerde“kargaşa”olarak tabir edilen gürültüler nedeniyle nesnelerin tespit edilmesi zorlaşmaktadır. Bu zorluklar; toprağın yapısı, antenler arası yansıma, zemin yansıması, ortam farklılıkları gibi birçok nedene bağlı olarak değişmektedir. Oluşan bu gürültülerin giderilmesi zaman maliyetli ve iş yüküne bağlı zahmetli bir süreç olarak karşımıza çıkmaktadır. Ayrıca bu gürültüler, kullanılan teknikler ile tamamen giderilememekte yalnızca nesne daha belirgin hale getirilebilmektedir. Günümüzde teknolojinin gelişmesine bağlı olarak“kargaşa”giderme algoritmalarına ihtiyaç duymadan, Bölge Tabanlı Evrişimsel Sinir Ağları (BESA) algoritmaları kullanılarak gömülü hedef tespiti yapılabilmektedir. Ancak bu algoritmalar ile başarılı bir nesne tespiti yapılabilmesi için kapsamlı ve sayıca fazla veri setine ihtiyaç duyulmaktadır. Bu tez çalışması kapsamında bu zorluklara bir çözüm olması amacıyla bir derin öğrenme modeli olan Daha Hızlı BESA (Faster R-CNN) algoritmasıyla eğitimlerimizi yaptık. İlk adımda elimizde gerçek ortamdan elde edilmiş veri seti olmaması nedeniyle bir benzetim programı olan gprMax programıyla veriler elde edilmiştir. Bu program ile elde edilen veriler farklı ortam ve farklı materyaller simüle edilerek oluşturulmuştur. Simüle olarak elde edilen bu veriler Daha Hızlı BESA modeliyle eğitilmiştir. İkinci adımda veri setinin sayıca artırılması hedeflenmiştir. Bu nedenle son zamanlarda oldukça popüler bir yaklaşım olan Üretken Çekişmeli Ağ (ÜÇA) modeli kullanılmıştır. Bu algoritma ile elde edilen veriler daha önce elde edilen veri seti ile birleştirilerek veri sayısı artırılmış ve aynı eğitime tabii tutulmuştur. Yapılan eğitimlerin başarısı hem gerçek ortamdan elde edilen veri hem de simule veriler üzerinde incelenmiştir.
Özet (Çeviri)
Ground penetrating radar (GPR) is a remote sensing technology used for detecting objects behind obstacles. GPR; It is used in many different areas such as underground researchings, archeology researchings, debris researchings, explosive detection, and behind the wall imaging. Along with the common of use, it becomes difficult to detect objects due to the noise called“clutter”in the images obtained by GPR. These difficulties; The structure of the soil changes due to many reasons such as reflection between antennas, ground reflection, differences in environment. Elimination of these clutters emerge as a time-costly and labor-intensive process. In addition, these clutters cannot be completely removed with the techniques used, only the object can be made more visible. Today, due to the development of technology, embedded target detection can be performed by using Region Based Convolutional Neural Networks (R-CNN) algorithms without the need for clutter removal algorithms. However, in order to achieve a successful object detection with these algorithms, a comprehensive and large number of data sets are required. Purpose of this thesis, we conducted our trainings with the Faster R-CNN algorithm, which is a deep learning model, in order to be a solution to these difficulties. In the first step, since we did not have a data set obtained from the real environment, the data were obtained with the gprMax program, which is a simulation program. The data obtained with this program were obtained by simulating different media and different materials. These simulated data were trained with the Faster R-CNN model. In the second step, it is aimed to increase the number of dataset. For this reason, the Generative Adversarial Network (GAN) model was used, which is a very popular approach. The number of data was increased by combining with the data set obtained by this algorithm, and the same training was given. The trainings were examined on both the data obtained from the real environment and the simulated data.
Benzer Tezler
- 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
- Instruction extension of RV32i and GCC back end for ascon lightweight cryptography algortihm
RISC-V komut seti mimarsi ve GNU derleyici koleksiyonunun ASCON şifreleme algoritması için genişletilmesi
ÖZLEM ALTINAY
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- Gömülü sistem üzerinde makine öğrenmesi kullanarak yere nüfuz eden radar verisinden nesne tespiti
Object detection from ground penetrating radar data using multilayer artificial neural networks in embedded systems
HAYRİ KILIÇ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERDİNÇ KOÇER
- A distributed human identification system for indoor environments
Kapalı ortamlar için dağıtık mimarili insan tanıma sistemi
EMRE SERCAN ASLAN
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE
- GPR B tarama görüntülerinde gömülü nesnelerin bölütlenmesi ve tespiti
Buried objects segmentation and detection in GPR B scan images
GÖZDE ALTIN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ARİF DOLMA