Derin öğrenme ile insansız hava aracı tespiti
Unmanned aerial vehicle detection with deep learning
- Tez No: 816471
- Danışmanlar: DOÇ. DR. ANİME MELİS UZAR
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Jeodezi, Geodesy
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- COVID-19'a karşı insansız hava aracı ile derin öğrenme tabanlı maske tespiti
Deep learning based mask detection with unmanned aerial vehicle against COVID-19
MÜCAHİT AKAR
Yüksek Lisans
Türkçe
2022
Karamanoğlu Mehmetbey ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- İnsansız hava aracı kullanılarak elma bitkisindeki kara leke hastalığının derin öğrenme yöntemleri ile tespiti
Detection of apple scab disease in apple plants with deep learning methods using unmanned aerial vehicles
NERGİZ AYDIN
Yüksek Lisans
Türkçe
2026
Isparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Derin öğrenme temelli havadan havaya insansız hava aracı tespiti
Deep learning based air to air unmanned aircraft detection
VEYSEL KARANİ ÇETİNKAYA
Yüksek Lisans
Türkçe
2024
Sakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Derin öğrenme algoritmaları kullanarak insansız hava araçları ile silah tespiti
Weapon detection with unmanned air vehicle images through deep learning algorithms
MUSTAFA BURGAZ
Yüksek Lisans
Türkçe
2020
Batman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- 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