Geri Dön

Derin öğrenme ile insansız hava aracı tespiti

Unmanned aerial vehicle detection with deep learning

  1. Tez No: 816471
  2. Yazar: EMİNE ŞAHİN
  3. Danışmanlar: DOÇ. DR. ANİME MELİS UZAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 96

Özet

Erişilebilirliği ve kullanım kolaylığı nedeniyle gün geçtikçe kullanımı yaygınlaşan İnsansız Hava Aracı (İHA) teknolojisinin birçok avantajının yanında, kötü amaçlı ve terör saldırıları, uyuşturucu kaçakçılığı gibi yasa dışı kontrolsüz kullanımlarından dolayı kamu güvenliğine karşı büyüyen bir tehdit oluşturmaktadır. Bu çalışmada, İHA tespiti için YOLO (You Only Look Once) derin öğrenme mimarisinin modelleri (YOLOv3, YOLOv3-tiny, YOLOv4, YOLOv4-tiny, YOLOv5x, YOLOv5s, YOLOv6-L, YOLOv6-S, YOLOv7-X, YOLOv7, YOLOv8l, YOLOv8s) hedeflenmiştir. Sonuçta YOLO modellerinin performans analizi gerçekleştirilmiş ve doğruluk analizleri karşılaştırılarak en uygun model araştırılmıştır. Kameralar ile çekilmiş İHA içeren görüntüler kullanılarak Python programlama diliyle Google Colaboratory üzerinde Tesla-T4 GPU desteği ile gerçekleştirilmiştir. Eğitim verisinde 11.907, doğrulama verisinde 3100 adet etiketleme işlemi yapılmıştır. Eğitim için Roboflow ile veri artırımı sağlanmış 14.149 adet fotoğraf sırasıyla %80 eğitim %20 doğrulama verisi şeklinde uygulanmıştır. Eğitim sırasında MS COCO veri seti ile daha önceden eğitilen ağırlıklar kullanılarak YOLO mimarisi ile aktarımlı eğitim gerçekleştirilmiştir. Hesaplanan hata matrisi analizlerinden en iyi F1-Skor değeri 0.98 ile YOLOv6-L'a aittir. YOLOv6-S, YOLOv5x, YOLOv8l, YOLOv8s, YOLOv7-X, YOLOv7, YOLOv5s, YOLOv4, YOLOv3-tiny, YOLOv3 ve YOLOv4-tiny modelleri için ise sırayla 0.97, 0.97, 0.96, 0.96, 0.95, 0.95, 0.95, 0.90, 0.76, 0.69 ve 0.61 F1-Skor performans sonuçları elde edilmiştir. Derin öğrenmede YOLO mimarisinin model doğruluğunun analizinde en çok tercih edilen mAP doğruluk kriterlerine göre YOLOv8s, YOLOv7-X, YOLOv7, YOLOv6-L, YOLOv5s, YOLOv4, YOLOv3, YOLOv4-tiny ve YOLOv3-tiny için sırayla 0.97, 0.97, 0.97, 0.97, 0.97, 0.94, 0.78, 0.66 ve 0.58 değerleri elde edilmiştir. En iyi mAP değerine ulaşan modeller ise 0.98 ile YOLOv8l, YOLOv6-S ve YOLOv5x olmuştur.

Özet (Çeviri)

In addition to the many advantages of Unmanned Aerial Vehicle (UAV) technology, which is becoming widespread day by day due to its accessibility and ease of use, it poses a growing threat to public security due to illegal uncontrolled use such as malicious and terrorist attacks, drug smuggling. In this study, YOLO (You Only Look Once) deep learning architecture models (YOLOv3, YOLOv3-tiny, YOLOv4, YOLOv4-tiny, YOLOv5x, YOLOv5s, YOLOv6-L, YOLOv6-S, YOLOv7-X, YOLOv7, YOLOv8l, YOLOv8s) were targeted for UAV detection. As a result, the performance analysis of the YOLO models was carried out and the most suitable model was searched by comparing their accuracy analysis. It was realized on Google Colaboratory with the support of Tesla-T4 GPU, using the Python programming language, using images containing UAVs taken with cameras. 11,907 labeling operations were performed in the training data and 3100 labeling operations were performed in the validation data. For training, 14.149 photos, whose data augmented with Roboflow, were separated as 80% training 20% validation data. During the training, transfer training was carried out with the YOLO architecture by using the weights previously trained with the MS COCO dataset. Among the calculated error matrix analyses, the best F1-Score value belongs to YOLOv6-L with 0.98. For YOLOv6-S, YOLOv5x, YOLOv8l, YOLOv8s, YOLOv7-X, YOLOv7, YOLOv5s, YOLOv4, YOLOv3-tiny, YOLOv3 and YOLOv4-tiny models, 0.97, 0.97, 0.96, 0.96, 0.95, 0.95, 0.95, 0.90, 0.76, 0.69 and 0.61 F1-Score performance results were obtained, respectively. According to the most preferred mAP accuracy criteria in the analysis of model accuracy of YOLO architecture in deep learning, values of 0.97, 0.97, 0.97, 0.97, 0.97, 0.94, 0.78, 0.66 and 0.58 were obtained for YOLOv8s, YOLOv7-X, YOLOv7, YOLOv6-L, YOLOv5s, YOLOv4, YOLOv3, YOLOv4-tiny and YOLOv3-tiny, respectively. The models that achieved the best mAP value were YOLOv8l, YOLOv6-S and YOLOv5x with 0.98.

Benzer Tezler

  1. Derin öğrenme ile tanıma yapabilen güvenlik amaçlı çok rotorlu insansız hava aracı ve alt sistemlerinin tasarımı ve geliştirilmesi

    Design and development of safety multirotor unmanned aerial vehicle and subsystems capable of recognition with deep learning

    ENES YİĞİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mekatronik MühendisliğiKarabük Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. RAİF BAYIR

  2. 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. Derin öğrenme ile İHA görüntülerinden nesne tespitinin yapılması

    Object detection from UAV images with deep learning

    EMİR ALBAYRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR YÜZGEÇ

  4. İnsansız Hava Aracı tespiti ve sınıflandırılması için derin öğrenme tabanlı tekniklerin geliştirilmesi

    Development of deep learning based techniques for Unmanned Aerial Vehicle detection and classification

    EMRULLAH KIZILAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. DR. İLHAN AYDIN

  5. Derin öğrenme ile araç tespiti: Yıldız Teknik Üniversitesi kampüs otopark alanları örneği

    Vehicle detection with deep learning: Yıldız Technical University campus parking areas example

    ŞENNUR ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ANİME MELİS UZAR