Geri Dön

Aircraft detection using deep learning

Derin öğrenme kullanarak hava aracı tespiti

PDF İndir

  1. Tez No: 732793
  2. Yazar: UTKU MUTLU
  3. Danışmanlar: PROF. DR. SEDEF KENT PINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Savunma ve Savunma Teknolojileri, Computer Engineering and Computer Science and Control, Engineering Sciences, Defense and Defense Technologies
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  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: 81

Özet

Uzun yıllar boyunca bilgisayarların insanlar gibi düşünüp, bu düşünsel faaliyetleri otonom bir şekilde gerçekleştirip gerçekleştiremeyeceği düşünülmüştür. Yapay zeka çalışmaları bu düşünce üzerine başlatılmıştır ve günümüzde bu teknoloji kullanılarak çalışmalar yapılmaktadır. Hem makine öğrenmesi hem de derin öğrenme, yapay zekanın alt dallarıdır. Aynı zamanda derin öğrenme ise makine öğrenmesinin de alt dalıdır. Derin öğrenme; görüntü tanıma, sanal asistan, doğal dil işleme, konuşma tanıma, otonom ve robotik sistemler gibi teknolojilerin geliştirilmesinde kullanılmaktadır. Gelişen teknolojiyle birlikte donanımlardaki yüksek hesaplama gücü, büyük veriye ulaşımın kolaylaşması ve derin öğrenme algoritmalarının hızlı gelişmesi sayesinde yeni projelerin daha az zaman harcanarak ve daha düşük maliyet ile geliştirilmesi sağlanmıştır. Uzaktan algılama görüntülerinin kullanılması ile derin öğrenme uygulamaları yıllardır geliştirilmektedir. Farklı parametreleri algılayabilen uydu sensörlerinin geliştirilmesi ile uzaktan algılama görüntülerinin kullanılmasının yaygınlaşması ve daha geniş kapsamlı çalışmalarda kullanılması sağlanmıştır. Derin öğrenme algoritmaları ile uzaktan algılama görüntülerinde hava aracı, gemi, bina ve benzeri nesnelerin tespiti sivil ve askeri amaçlar için sıklıkla kullanılmaktadır. Uzaktan algılama, bir alana temas halinde olmadan o alan hakkında bilgi edinme bilimidir. Uzaktan algılama cihazları yörüngelerdeki uydularda ve hava araçlarında bulunan sensör sistemlerinden oluşmaktadır. 1858 yılında zemine bir veya daha fazla ip ile bağlanmış sıcak hava balonu sayesinde en eski hava fotoğrafı elde edilmiştir. 1900'lü yılların başında güvercinlerin üzerine takılan kameralar ile havadan fotoğraflar çekilmiştir ve daha büyük alanların görüntülenebilmesi için ise 1909 yılında ilk defa uçaklara monte edilen kameralar ile hava görüntüleri elde edilmiştir. 1950'li yıllarda ilk defa uzaktan algılama terimi kullanılmaya başlanmıştır. 1950'li yıllarda başlayan uzay yarışı ile uydulardan yer yüzünün görüntülerini elde edebilmek için uydularda kullanılmak üzere uzaktan algılama sistemleri geliştirilmeye başlanmıştır. 1972 yılında Landsat programının ilk uydusu olan Landsat 1 uydusu 917 km irtifada güneş eşzamanlı yörüngeye yerleştirilmiştir. 1970 ile 1980 yılları arasında yaşanan teknolojik gelişmeler sayesinde dijital uzaktan algılama alanında önemli gelişmeler yaşanmıştır. 1982 yılında yeni jenerasyon Landsat sensörlerin kullanıldığı Landsat 4 uydusu uzaya gönderilmiştir. 1986 yılında yüksek çözünürlüklü yer gözlem uydusu olan SPOT 1 fırlatılmıştır. 1990 yıllarında global uzaktan algılama sistemleri ve lidar sensörü geliştirme çalışmaları başlatılmıştır ve bu sistemler teknolojik çalışmalar ile birlikte kullanılmaya başlanmıştır. 2013 yılında arazi yüzeyinin sıcaklığını ölçebilmek için iki termal banda sahip sensör kullanan Landsat 8 uzaya gönderilmiştir. Geometrik ve radyometrik açıdan önceki nesil Landsat uydularından daha iyi olan Landsat 9 2021 yılında fırlatılmıştır. Uzaktan algılamanın kullanıldığı başlıca alanlar ise savunma, tarım, havacılık, ormancılık, biyoçeşitlilik ve yüzey değişikliğidir. Uzaktan algılama uyduları ile atmosfer, okyanuslar, kara parçaları hakkında bilgi edinilmektedir. Hasar tespiti, görüntü istihbaratı, hedef konum tespiti, keşif ve gözetleme için uzaktan algılama teknolojilerinden sıklıkla yararlanılmaktadır. Uydulardan elde edilen orman yangınları hakkındaki bilgilerin itfaiye ekiplerine bildirilmesi ile doğru konuma daha az zamanda giderek yangınların kontrol altına alınmasına imkan sağlanmaktadır. Tarım alanında uzaktan algılama bilgileri kullanılarak mahsul tanıma, mahsul sağlık analizi ve bölgelerin mahsul haritaları oluşturulmaktadır. Yolların durumu incelenerek ulaşım ve taşımacılık için maliyet ve zaman kaybının azaltılması için uzaktan algılama görüntüleri kullanılmaktadır. Uzaktan algılama teknolojileri ile arazilerin çeşitli fiziksel özellikleri görüntülenmektedir ve insanlar tarafından ne amaç ile kullanıldığı belirlenmektedir. Derin öğrenme ve makine öğrenmesi yapay zekanın alt dallarıdır. Derin öğrenme karar vermede kullanılması için veri işlerken ve kalıplar oluştururken çalışan insan beynini taklit eder. Derin öğrenme, üzerinde çalışmalar yapabilmek için çok fazla veriye ihtiyaç duymaktadır ve kompleks yapısı ile bu verileri işleyebilmek için bu işlemleri gerçekleştirebilecek çok güçlü donanımlara ihtiyaç duymaktadır. 1943 yılında insan beyninin düşünce sürecini taklit eden bir sinir ağının ilk matematiksel modeli oluşturulmuştur. İki katmanlı sinir ağı kullanan örüntü tanıma için bir algoritma geliştirilmiştir ve ilk algılayıcı ile birlikte 1957 yılında tanıtılmıştır. Denetimli öğrenme için ilk çalışan sinir ağı 1965 yılında geliştirilmiştir ve 1971 yılında ise sekiz katmanlı derin öğrenme ağı tanıtılmıştır. Birden fazla katmana sahip ağları eğitebilmek için yeterli işlemci gücü ve belleğe sahip olan donanımların yeterli olmaması sebebi ile 1974 ile 1980 yılları arasında yapay zeka çalışmalarına ara verilmiştir. Japonca el yazısı tanıma ve örüntü tanıma gibi uygulamalarda kullanılan çok katmanlı yapay sinir ağı olan neocognitron 1980 yılında geliştirilmiştir. İlk kez derin öğrenme terimi 1986 yılında Rina Dechter tarafından kullanılmıştır. 1989 yılında evrişimli derin sinir ağı kullanılarak el yazısı ile yazılmış posta kodu tanıma sistemi geliştirilmiştir. Biri pozitif zaman yönü için diğeri negatif zaman yönü için olan iki gizli katmanı aynı çıkışa bağlayan çift yönlü tekrarlayan sinir ağları 1997 yılında tanıtılmıştır. Denetimli öğrenme için etiketlenmiş çok fazla görüntüye ihtiyaç duyulmasından dolayı Fei-Fei Li tarafından 2006 yılında ImageNet fikri için çalışmalara başlanmıştır ve 2009 yılında geniş alanlarda kullanılmak üzere çok fazla etiketlenmiş görüntülerden oluşturulmuş veri tabanı olan ImageNet sunulmuştur. 2012 yılında yapay zeka araştırmalarına ayrılan bütçelerde ve yapılan yatırımlarda büyük bir artış olmuştur. DeepFace 2014 yılında kullanıcıların yüzlerini tanıyabilen ve etiketleyebilen derin öğrenme sistemi olarak Facebook tarafından geliştirilmiştir. Derin öğrenme günümüzde görüntü tanıma, sanal asistanlar, sağlık, havacılık, otonom sistemler ve reklamcılık alanlarında sıklıkla kullanılmaktadır. Derin öğrenme teknolojilerinin hızlı gelişmesi ile arabalarda bu teknolojilerin kullanılması sayesinde sürücüsüz araçlar üretilmeye başlanmıştır ve bu teknoloji sayesinde güvenlikli otonom sürüş yapılabildiği görülmüştür. Robotik sistemlerin derin öğrenme yöntemleri ile kullanılmasıyla insanlar tarafından gerçekleştirilen görevlerin robotik sistemler tarafından yapılabilmesi sağlanmıştır. Derin öğrenme sistemleri geliştirmek için kullanılan farklı algoritmalar mevcuttur. Evrişimli sinir ağları genellikle sınıflandırma, bölütleme ve nesne tespiti çalışmalarında kullanılan bir yapay sinir ağı türüdür. Evrişimli sinir ağları 1 boyutlu verilerin aksine çok boyutlu verileri kullanmaktadır ve daha doğru tanıma sonuçları üretmektedir. Manuel özellik çıkarma ihtiyacı evrişimli sinir ağları ile kaldırılmıştır ve özellikler doğrudan evrişimli sinir ağları tarafından öğrenilmektedir. Evrişimli sinir ağları yeni görevler için daha kolay, daha hızlı bir şekilde tekrar eğitilebilmektedir ve yüksek başarılar elde edilebilmektedir. Bu çalışmanın amacı farklı derin öğrenme yöntemleri ile görüntülerdeki hava araçlarını tespit ederek bunların sabit kanatlı hava aracı veya döner kanatlı hava aracı olup olmadığına karar verebilen sistemler geliştirmek ve bu sistemlerin performanslarını karşılaştırarak değerlendirmelerinin yapılmasıdır. Bu çalışma kapsamında Google Earth kullanılarak helikopter pistleri, sivil ve askeri havalimanlarından elde edilen uzaktan algılama görüntüleri ile yeni bir veri seti oluşturulmuştur. 2550 görüntüden oluşturulan veri setinde her görüntüde birden çok hava aracı örnekleri bulunmaktadır. Uzaktan algılama görüntülerindeki nesneleri tespit edebilmek için sinir ağları ve nesne tespit algoritmaları kullanılmaktadır. AlexNet, DarkNet-19, GoogLeNet ve VGG-16 sinir ağları ile Faster R-CNN ve YOLOv2 nesne tespit algoritmaları incelenmiştir. Bu sinir ağları Faster R-CNN ve YOLOv2 nesne tespit algoritmalarının öznitelik çıkarım ağı olarak kullanılmış ve bu sayede modeller eğitilmiştir. Nesne tespit sistemlerinin performanslarını değerlendirmek için IoU ve mAP değerleri kullanılmıştır. AlexNet, DarkNet-19 ve GoogLeNet ağlarının YOLOv2 algoritması ile eğitilmesi sonucunda en başarılı modelin özellik çıkarım ağı olarak GoogLeNet ağının kullanıldığı model olduğu tespit edilmiştir. Bu modeller iki farklı mini yığın boyutu kullanılarak eğitilmiştir ve bu sayede mini yığın boyutunun farklı seçilmesi ile modellerin performanslarının nasıl etkilendiği analiz edilmiştir. Büyük mini yığın boyutu ile eğitilen modeller, küçük mini yığın boyutu ile eğitilen modellere göre daha kötü performans göstermiştir ve düşük mAP değerleri elde etmişlerdir. Evrişimli sinir ağlarının derinliği arttıkça büyük mini yığın boyutu ile eğitilen modeller küçük mini yığın boyutu ile eğitilen modellere yakın performans göstermiştir. Faster R-CNN ve YOLOv2 algoritmaları için özellik çıkarım ağları olarak AlexNet ve VGG-16 ağları kullanılan modeller eğitilmiş ve iki nesne algılama algoritmasının performansları analiz edilmiştir. Eğitimler sonucunda AlexNet ağı ile YOLOv2 algoritması kullanılarak geliştirilen model, Faster R-CNN algoritması kullanılan modelden daha başarılı olmasına rağmen Faster R-CNN algoritması ile VGG-16 ağı kullanılarak geliştirilen model, YOLOv2 algoritması kullanılan modelden daha iyidir. Faster R-CNN algoritması için öznitelik çıkarım ağı olarak VGG-16 ağının kullanıldığı modelin eğitimi sonucunda bu model en yüksek mAP değerine sahip modeldir ve bütün eğitilen modeller arasında en iyi performans gösteren model olmuştur.

Özet (Çeviri)

For many years, it has been thought whether computers can think like humans and perform these intellectual tasks autonomously. Artificial intelligence studies were started on this idea and today, studies are carried out using this technology. Both machine learning and deep learning are subsets of artificial intelligence and deep learning is actually subset of machine learning. Deep learning is used in the development of technologies such as image recognition, virtual assistant, natural language processing, speech recognition, autonomous and robotic systems. Deep learning applications have been developed for years by using remote sensing images. Deep learning algorithms in remote sensing images are frequently used for the detection of objects such as aircraft, ships, buildings and other similar things for civil and military purposes. Owing to the development of high-performance hardware, the ease of access to big data and the rapid development of deep learning algorithms, progression of new projects have been satisfied with less time and lower cost. Remote sensing is the science of obtaining information about an area without being in contact with it. Remote sensing devices consist of sensor systems in satellites and aircraft. In 1858, the earliest aerial photo was acquired through a hot air balloon attached to the ground with one or more tether. In the early 1900s, aerial photographs were taken with cameras mounted on pigeons, and in 1909, aerial images were obtained with cameras mounted on airplanes for the first time in order to view larger areas. The term“remote sensing”was used for the first time in the 1950s. Remote sensing satellites provide information about the atmosphere, ocean, and land. As a result of the development of satellite sensors that can detect different parameters, the use of remote sensing images has become widespread in more comprehensive projects. The main areas where remote sensing is used are defense, agriculture, aviation, forestry, biodiversity and surface changes. Deep learning is a subset of the machine learning algorithm in artificial intelligence, emulating the working human brain as it processes data and creates patterns for use in decision making. In 1943, the first mathematical model of a neural network that imitates the thought process of the human brain was created by Walter Pitts and Warren McCulloch. An algorithm using a two-layer neural network for pattern recognition was developed by Frank Rosenblatt, and the first perceptron was presented in 1957. Alexey Ivakhnenko and V.G. Lapa published the first working neural network for supervised learning in 1965. Alexey Ivakhnenko described the 8-layer deep learning network in his publication in 1971. Artificial intelligence studies were interrupted between 1974 and 1980 due to the lack of hardware with sufficient processing power and memory to train multilayer networks. Neocognitron, a multilayer artificial neural network, was developed by Kunihiko Fukushima in 1980. The term“deep learning”was first used by Rina Dechter in 1986. Mike Schuster and Kuldip Paliwal introduced bidirectional recurrent neural networks in 1997, which connects two hidden layers, one for the positive time direction and the other for the negative time direction, to the same output. Fei-Fei Li started working on the ImageNet idea in 2006 because of the need for a large amount of labeled images for supervised learning. In 2009, Fei-Fei Li introduced ImageNet that is a database of a large quantity of labeled images. In 2012, there was a great increase in the budgets and investments allocated to artificial intelligence research. Today, deep learning is used in healthcare, aviation, publishing, autonomous systems and advertising. The aim of this study is to develop systems, using various deep learning algorithms, achieve the detection of the aircraft in images whether they are fixed-wing aircraft or rotary-wing aircraft, and to compare and evaluate the performances of these systems. Within the scope of this study, a new dataset was created with remote sensing images obtained from heliports, civil and military airports using Google Earth. The dataset contains 2550 images and each image contains multiple aircraft samples. Neural networks and object detection algorithms are used to detect objects in remote sensing images. Neural networks such as AlexNet, DarkNet-19, GoogLeNet, VGG-16 and object detection algorithms such as Faster R-CNN, YOLOv2 were studied. These neural networks were used as feature extraction networks of Faster R-CNN and YOLOv2 algorithms, and thus the models were trained. IoU and mAP metrics were used to evaluate the performance of object detection systems. As a consequence of the training of AlexNet, DarkNet-19 and GoogLeNet networks through the YOLOv2 algorithm, the most successful model was found out to be the one where GoogLeNet network had been used as the feature extraction network. These models were trained using two different mini-batch sizes, and in this way, it was analyzed how the performance of the models was affected by the different selection of the mini-batch size. Models trained with large mini-batch size performed worse and achieved lower mAP scores than models trained with small mini-batch size. As the depth of convolutional neural networks increased, models trained with large mini-batch size performed close to models trained with small mini-batch size. AlexNet and VGG-16 networks were used as feature extraction networks of Faster R-CNN and YOLOv2 algorithms, thus models were trained and the performances of the two object detection algorithms were analyzed. On the one hand, the object detection model developed with the YOLOv2 algorithm and AlexNet network is more successful than the one used with the Faster R-CNN algorithm, on the other hand, the object detection model developed with the Faster R-CNN algorithm and the VGG-16 network is more successful than the one used with the YOLOv2 algorithm. As a result of training the model where the VGG-16 network is used as the feature extraction network of the Faster R-CNN algorithm, this model has become the most successful one among all the models.

Benzer Tezler

  1. Tez No

    790790

    Açık kaynaklı uydu görüntülerinde derin öğrenme yöntemleri kullanılarak uçak tespiti ve uçak tiplerinin belirlenmesi

    Detection of aircraft and determination of aircraft types using deep learning methods in open source satellite images

    YUNUS EMRE AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriEskişehir Teknik Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. UĞUR AVDAN

  2. Tez No

    879439

    Derin öğrenme temelli havadan havaya insansız hava aracı tespiti

    Deep learning based air to air unmanned aircraft detection

    VEYSEL KARANİ ÇETİNKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SÜLEYMAN UZUN

  3. Tez No

    788055

    Damage detection in aircraft engine borescope inspection using deep learning

    Uçak motorlarının baroskopik incelemesinde derin öğrenme kullanılarak hasar tespiti

    İSMAİL UZUN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAksaray Üniversitesi

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET REŞİT TOLUN

  4. Tez No

    774392

    Derin öğrenme ve görüntü işleme yöntemleri kullanılarak değerli metallerin belirlenmesi

    Detection of precious metals using deep learning and image processing methods

    ASLAN TÜRKHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MÜCAHİD GÜNAY

  5. Tez No

    565495

    Aircraft detection from large scale remote sensing images with deep learning techniques

    Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti

    MEHMET SOYDAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

Geri Dön