Derin öğrenme mimarileri kullanılarak drone ile askeri araç ve silahların sınıflandırılması
Classification of military vehicles and weapons with drones using deep learning architectures with drones
- Tez No: 851715
- Danışmanlar: DOÇ. DR. KEMAL ADEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Sivas Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Bu çalışmada derin öğrenme yöntemleri kullanılarak eğitilen model ile askeri araçları, silahlı-silahsız kişileri havadan otonom uçuşlar yaparak tespit edebilen bir drone tasarlanmıştır. Nesneleri sınıflandırmak için transfer öğrenme mimarilerinden ResNet50, InceptionV3, Xception, Mobilenet, EfficientNet gibi 5 farklı transfer öğrenme mimarisi ile çalışılmış olup performans karşılaştırmaları yapılmıştır. Ayrıca nesne tespit işlemleri için YOLOv8 ve YOLO-NAS mimarilerinin performansları karşılaştırılmıştır. Mimariler için askeri ve sivil araçlar, sivil ve silahlı insan görüntülerinden oluşan 4195 adet görsel içeren 6 sınıflı yeni bir hibrit veri seti hazırlanmıştır. Modellerin aşırı öğrenmemesi için veri setindeki görüntülere veri çoğaltma yöntemlerinden rastgele yaklaştırma, yatay yönde rastgele kaydırma, dikey yönde rastgele kaydırma, yatay döndürme, belirli açıyla döndürme ve yatay kayma işlemleri uygulanmıştır. Çalışmada transfer öğrenme mimarilerindeki en başarılı sonuçlar 0,9824 doğruluk, 0,9802 F1-skoru değeri ile ResNet50 mimarisi ile elde edilmiştir. Nesne tespit işlemlerinde en yüksek skorlar YOLOv8 nesne tespit algoritması ile 0,961 mAP50, 0,9116 F1-skoru olarak elde edilmiştir. Tasarlanan İHA üzerinde yapılan gerçek zamanlı çalışma testlerinde ResNet50 mimarisi YOLOv8'e göre daha düşük performans gösterdiğinden İHA üzerine YOLOv8 ile oluşturulan model eklenmiştir. Veri setine havadan görüntüleri çekilmiş daha fazla askeri araç görüntüsü eklenerek veriler çoğaltılabilir. Veri setindeki her sınıf kendi arasında özelleştirilerek farklı sınıflara ayrılabilir.
Özet (Çeviri)
In this study, a drone that can detect military vehicles and armed and unarmed people by making autonomous flights from the air was designed with the model trained using deep learning methods. To classify objects, 5 different transfer learning architectures such as ResNet50, InceptionV3, Xception, Mobilenet, EfficientNet were studied and performance comparisons were made. Additionally, the performances of YOLOv8 and YOLO-NAS architectures were compared for object detection. A new 6-class hybrid dataset was prepared for architectures, containing 4195 images of military and civilian vehicles, civilian and armed people. In order to prevent the models from overlearning, data multiplication methods such as random approximation, horizontal random shift, vertical random shift, horizontal rotation, rotation at a certain angle and horizontal shift were applied to the images in the data set. In the study, the most successful results in transfer learning architectures were obtained with the ResNet50 architecture with an accuracy of 0,9824 and an F1-score value of 0,9802. The highest scores in object detection were obtained with the YOLOv8 object detection algorithm as 0,961 mAP50 and 0,9116 F1-score. Since the ResNet50 architecture showed lower performance than YOLOv8 in the real-time operating tests performed on the designed UAV, the model created with YOLOv8 was added to the UAV. The data can be increased by adding more aerial images of military vehicles to the data set. Each class in the data set can be customized and divided into different classes.
Benzer Tezler
- Otonom araçlar için GPU kullanarak gerçek zamanlı yapay zeka temelli engel algılama sistem tasarımı
Obstacle detection system design based on real-time artificial intelligence using GPU for autonomous vehicles
MUSTAFA ÇETİNKAYA
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL KILIÇ
DR. ÖĞR. ÜYESİ HACI ÖMER DOKUMACI
- Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması
Application of deep learning based super resolution in thermal images
CANER CİVE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- FMCW radar verilerinin makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of targets by using FMCW radar data with machine learning methods
EMRE CAN ERTEKİN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. SELDA GÜNEY
- Ön işleme tabanlı manyetik rezonans sekans karşılaştırmalı servikal lenf nodu segmentasyonu
Preprocessing based magnetic resonance sequence comparative cervical lymph node segmentation
ELİF AYTEN TARAKÇI
Tıpta Uzmanlık
Türkçe
2024
Kulak Burun ve BoğazSağlık BakanlığıKulak Burun Boğaz Ana Bilim Dalı
PROF. DR. METİN ÇELİKER
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN