Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması
Detection and classification of ships from satellite images using deep learning methods
- Tez No: 887151
- Danışmanlar: DR. ÖĞR. ÜYESİ ENES AYAN
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Uzaktan algılama, Nesne Tespiti, YOLO, Evrişimli Sinir Ağları, Gemi Tespit ve Sınıflandırma, Derin Öğrenme, Remote sensing, Object Detection, YOLO, Convolutional Neural Networks, Ship Detection and Classification, Deep Learning
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kırıkkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Uzaktan algılama, yüzeydeki objeleri ve olayları uzaktan gözlemleme ve analiz etme teknolojisidir. Bu yöntemle genellikle uydular, dronlar veya hava araçları gibi platformlar üzerinden çeşitli elektromanyetik dalgalar kullanarak veriler toplanır. Toplanan veriler, optik, kızılötesi veya radar sensörleriyle elde edilen görüntüler şeklindedir ve bu görüntüler çevresel değişikliklerin izlenmesi, tarım verimliliğinin artırılması, şehir planlaması, doğal afetlerin yönetimi, savunma sistemleri ve iklim değişikliği gibi pek çok alanda kullanılabilir. Uzaktan algılama yöntemleri ile elde edilen veri setleri derin öğrenme yöntemleri kullanılarak geniş alanların veri analizi ve bilgi çıkarımı için kullanılmaktadır. Bu sayede geniş alanların hızlı ve etkili bir şekilde değerlendirilmesini sağlanarak, birçok sektörde bilgi ve karar destek sistemlerine katkıda bulunur. Derin öğrenme algoritmaları, uzaktan algılama veri setlerinde nesne tanıma, değişim tespiti ve sınıflandırma gibi görevlerde yüksek doğruluk ve otomasyon sağlamaktadır. Uzaktan algılama yöntemlerinden biri olan optik uydu görüntüleri gemilerin otomatik tespiti ve sınıflandırılması, deniz trafiği yönetimi, çevre kirliliğinin izlenmesi, uyuşturucu kaçakçılığı, göçmen kaçakçılığı, sınır ihlalleri ve meydana gelebilecek diğer suçların takibi açısından kritik bir araştırma alanıdır. Son yıllarda, derin öğrenme algoritmalarının popüler hale gelmesiyle birlikte, Evrişimli Sinir Ağları (ESA) nesne algılama ve sınıflandırma gibi bilgisayarlı görme problemlerinde başarılı sonuçlar elde etmiştir. Bu çalışma kapsamında bilgisayarlı görü problemlerinde nesne tespit görevlerinde kullanılan You Only Look Once (YOLO) tabanlı dokuz on bir farklı mimari (YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7tiny, YOLOv7, YOLOv9c, YOLOv9m, YOLOv9s, YOLOv9t, YOLOv7-CBAM) kullanılmıştır. Söz konusu mimariler transfer öğrenme yöntemi ile optik uydu görüntüleri ile gemileri tespit edebilmeleri için eğitilmiştir. Eğitim sonrası mimarilerin uydu görüntülerinden gemileri tespit edebilme ve sınıflandırma performansları kesinlik, duyarlılık, mAP (ortalama kesinlik) ve F1 skor ölçütleri kullanılarak karşılattırılmıştır. Elde edilen test sonuçlarına YOLOv5l modelinin 0.984 kesinlik, 0.984 duyarlılık, 0.991 mAP ve 0.984 F1 skor değeri elde ederek diğer modeller arasında en başarılı model olmuştur. Çalışmada sonuç olarak özellikle büyük modellerin tespit performansının daha iyi olduğu gözlemlenmiştir. Çalışmada ayrıca kullanılan dikkat mekanizmasının YOLOv7 modelinde F1 skor ölçütünde %5,4 oranında bir iyileştirme sağladığı tespit edilmiştir. Çalışma sonuçlarına göre YOLO tabanlı mimarilerin uydu görüntülerinden gemi tespiti ve sınıflandırmada umut vadedici sonuçlar elde ettiği bulunmuştur.
Özet (Çeviri)
Remote sensing is the technology of observing and analyzing objects and events on the surface from a distance. This method entails the collection of data through the utilization of diverse electromagnetic waves, typically from platforms such as satellites, drones or aircraft. The data collected are in the form of images obtained with optical, infrared or radar sensors. These images can be used in a number of areas, including monitoring environmental changes, increasing agricultural productivity, urban planning, management of natural disasters, defense systems and climate change. The data sets obtained through remote sensing methods are employed for the analysis of data and the extraction of information from extensive areas through the utilization of deep learning techniques. In this way, it contributes to the development of information and decision support systems in a number of sectors, providing a rapid and effective means of evaluating large areas. Deep learning algorithms facilitate high accuracy and automation in tasks such as object recognition, change detection and classification in remote sensing data sets. Optical satellite imagery represents a crucial domain of remote sensing research, offering significant potential for automated detection and classification of maritime vessels, management of maritime traffic, monitoring of environmental pollution, detection of drug and migrant smuggling, and identification of border violations and other criminal activities. In recent years, the proliferation of deep learning algorithms has led to the successful application of Convolutional Neural Networks (CNNs) in a range of computer vision problems, including object detection and classification. In this study, nine eleven distinct You Only Look Once (YOLO) based architectures were employed for object detection tasks in computer vision problems, namely YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7tiny, YOLOv7, YOLOv9c, YOLOv9m, YOLOv9s, and YOLOv9t, as well as YOLOv7-CBAM. The architectures were trained to detect ships from optical satellite images using a transfer learning method. Following the training phase, the performance of the architectures in detecting and classifying ships from satellite images was evaluated using a series of performance metrics, including precision, sensitivity, mAP (mean average precision), and F1 score. The results of the test demonstrated that the YOLOv5l model exhibited the highest degree of success, attaining precision, sensitivity, mAP, and F1 score values of 0.984, 0.984, 0.991, and 0.984, respectively. It was thus observed that the detection performance of the larger models was superior. Furthermore, it was observed that the attention mechanism employed in the study yielded a 5.4% enhancement in the F1 score criterion for the YOLOv7 model. The findings of the study indicate that YOLO-based architectures demonstrate considerable potential for effective ship detection and classification from satellite images.
Benzer Tezler
- A deep learning based framework for identification of ship types using optical satellite images
Optik uydu görüntüleri kullanarak gemi tiplerinin imliklendirilmesi için derin öğrenme tabanlı yöntem
SERDAR KIZILKAYA
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods
Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti
NECİP ENES GENGEÇ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- Çok yüksek çözünürlüklü uydu görüntülerinden grafik tabanlı bilgi çıkarımı
Graph-based infortmation extraction from very high resolution satellite images
NURETTİN SİNANOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- A theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extraction
ResNet ve DenseNet mimarilerinin kıyı çıkarımı konusunda teorik karşılaştırması
MERT İLHAN ECEVİT
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. GÜLSÜM ÇİĞDEM ÇAVDAROĞLU