Geri Dön

Panoramik görüntüler üzerinden su altı hedef tespiti: DBSCAN ve derin öğrenme ağları ile bütünleşik bir yaklaşım

Underwater target detection via panoramic images: An integrated approach with DBSCAN and deep learning networks

PDF İndir

  1. Tez No: 887561
  2. Yazar: FATMA KÜBRA AKIN KÜÇÜK
  3. Danışmanlar: PROF. DR. İBRAHİM ÖZKOL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Savunma Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 77

Özet

Su altı akustik verileri, denizaltı savaşları, su altı hedef izleme, mayın tespiti, deniz güvenliği, su altı haritalama ve çeşitli su altı araştırmalarında kritik rol oynayan önemli bir çalışma konusudur. Bu alandaki sürekli gelişmeler, askeri amaçlı operasyonlardan bilimsel araştırmalara kadar geniş bir yelpazede uygulamalara olanak tanımaktadır. Su altı hedef tespiti, çeşitli sensörler, akustik sistemler ve görüntüleme teknikleri kullanılarak gerçekleştirilen önemli bir akustik faaliyet alanıdır. Bu sensörler su altındaki nesnelerin ses dalgalarını algılarlar. Böylece denizaltılar, torpidolar ve diğer su altı araçları tarafından kullanılarak düşman veya potansiyel tehditleri belirleme konusunda kritik bilgiler sağlarlar. Son yıllarda su altı ekipman sistemlerinin gelişmesi ile birlikte bu alanda yapılan çalışmalarda büyük bir artış meydana gelmiştir. Fakat, geniş su altı bölgelerindeki karmaşık topografyalar ve değişen çevresel koşulları nedeniyle su altı hedef tespiti kolay bir uygulama değildir ve çoğu zaman geleneksel tespit yöntemleri belirli bir alanda çalışmakta ve değişen çevre koşullarına uyum sağlamakta yeterli olmamaktadır. Bu nedenle bahsedilen zorluklarla baş edebilecek yeni yaklaşımların geliştirilmesine yönelik çalışmalar artmıştır. Bu tez çalışmasında, DBSCAN (Density-Based Spatial Clustering of Applications with Noise) ve derin öğrenme ağlarının (yapay sinir ağlarının ve evrişimli sinir ağlarının) birleştirildiği yenilikçi bir yaklaşım sunulmuştur. Önerilen yaklaşımda simülasyon ortamında oluşturulmuş sonar verileri ve beamforming algoritması kullanılarak açı, frekans ve gürültü seviyesinden oluşan panoramik su altı resimleri oluşturulmuştur. Oluşturulan panorama resminde x ekseninde derece cinsinde açı değerleri, y ekseninde Hz cinsinden frekans verileri ve z ekseninde dB cinsinden gürültü seviyeleri bulunmaktadır. Oluşturulan veriler işlenerek kullanıma hazır hale getirilmiştir. Bu kapsamda ilk olarak açı ve frekans bandındaki ölçek farklılığını ortadan kaldırmak için frekans ve açı ekseni normalize edilmiş ve iki eksende 0 ile 1 değerleri arasına getirilmiştir. Gürültü seviyeleri ise z skor kullanılarak normalize edilmiştir. Veri işleme aşaması tamamlandıktan sonra model kısmına geçilmiştir. Sonar verilerinden oluşturulan panoramik deniz resimleri, ilk olarak DBSCAN algoritmasından geçirilmiştir. DBSCAN algoritması, su altı panoramik görüntülerdeki hedeflerin yoğunluk tabanlı bir şekilde kümelenmesini sağlar. Bu algoritma, geleneksel tespit yöntemlerinin ötesine geçerek, hedeflerin doğal olarak oluşan yoğunluk bölgelerinde daha etkili bir şekilde algılanmasını mümkün kılar. DBSCAN'in sunduğu bu avantajı kullanmak ve sistem performansını optimize etmek için, DBSCAN algoritması derin öğrenme ağlarıyla birleştirilmiştir. DBSCAN tarafından kümelenen veriler yapay sinir ağlarına (ANN) ve evrişimli sinir ağlarına (CNN) girdi olarak verilmiş ve modellerin hedef tespit performansları değerlendirilmiştir. Elde edilen sonuçlar sadece derin öğrenme ağları ile eğitilen modellerinin sonuçları ile karşılaştırılmıştır. Önerilen yaklaşım , sadece panoromik görüntülerle eğitilen modellerden, çok daha iyi performans elde etmiştir ve hedef tespiti konusunda daha başarılı olmuştur. Bu sonuçlar, derin öğrenme ağlarının, DBSCAN tarafından belirlenen yoğunluklu alanlarda daha spesifik ve hassas özellikler öğrenerek su altı hedeflerini daha doğru bir şekilde tanıma yeteneğinin olduğunu göstermiştir.

Özet (Çeviri)

Underwater acoustic data is an important subject of study that plays a critical role in submarine warfare, underwater target tracking, mine detection, maritime security, underwater mapping and various underwater research. The acoustic data collection process is usually accomplished using specialized devices such as hydrophones or sonar systems. The detected sound waves are recorded by the devices and stored in digital data format. This data usually includes various characteristics such as sound frequency, intensity, source and propagation path. The collected acoustic data is then analyzed and interpreted. Continuous developments in this field enable a wide range of applications, from military operations to scientific research. Underwater target detection is an important field of activity using various sensors, acoustic systems and imaging techniques. These sensors detect sound waves from underwater objects. Therefore, they can be used by submarines, torpedoes and other underwater vehicles, providing critical information to identify enemies or potential threats. In recent years, with the development of underwater equipment systems, there has been a great increase in studies in this field. One of the main challenges in underwater target detection lies in the diverse and dynamic nature of the underwater landscape. Unlike terrestrial environments, the underwater environment presents unique obstacles such as acoustic reflection, signal attenuation, and unpredictable hydrodynamic conditions. The complex topographies and changing environmental conditions in large underwater regions, underwater target detection is not an easy application, and often traditional detection methods are not sufficient to work in a specific area and adapt to changing environmental conditions. For this reason, studies on the development of new approaches that can cope with these challenges have increased. Espacially, significant strides have been made in the field of underwater target detection through the application of machine learning and artificial intelligence (AI) techniques. Deep learning algorithms, in particular, have demonstrated remarkable capabilities in processing large volumes of acoustic data and extracting meaningful patterns for target identification. By leveraging neural networks and deep architectures, researchers have been able to achieve unprecedented levels of accuracy in underwater target detection tasks. In this thesis, an innovative approach that goes beyond deep learning methods, which are new technologies, and combines DBSCAN (Density-Based Spatial Clustering of Applications with Noise) and deep learning networks (artificial neural networks and convolutional neural networks) is presented. First, the data produced in the simulation environment was processed and made ready for training. Then, the training performance was tested and the results were compared with classical deep learning methods. In this approach, panoramic underwater images consisting of angle, frequency and noise level were created using sonar data created in the simulation environment and beamforming algorithm. Beamforming combines data from multiple sensors to create a sonar beam focused in a specific direction. This process is used to determine the positions of underwater objects and obtain high-resolution images. These images are used to better understand underwater details and see objects more clearly. In the panoromic images, the noise level in and around the angle axis where the target is located is higher in all frequency axes than in other angles. This is important information for target detection. In the created panorama image, there are angle values in degrees on the x-axis, frequency data in Hz on the y-axis, and noise levels in dB on the z-axis. In order to eliminate the scale difference in the angle and frequency band, the frequency and angle axis were normalized and brought to values between 0 and 1 on both axes. Noise levels were normalized using z score. Within the scope of this study, a total of 39 thousand panoramic data, including untargeted, single-target and two-target, were created in the simulation environment, and 33 thousand of these data were used as training data and 6 thousand as test data.After the data processing stage was completed, the model part was started. Panoramic sea images created from sonar data were first passed through the DBSCAN algorithm. The DBSCAN algorithm provides density-based clustering of targets in underwater panoramic images. This algorithm goes beyond traditional detection methods, enabling more effective detection of targets in naturally occurring density regions. DBSCAN separates data points into clusters, starting from seed points. It does not require prior knowledge of the density and shape of data points. Therefore, it provides an advantage in cases where the number and shape of clusters are unknown. To use this advantage offered by DBSCAN and optimize system performance, the DBSCAN algorithm is combined with deep learning networks. Deep learning networks have been frequently used in the field of underwater target detection in recent years due to their capacity to feed on large amounts of data. These networks can learn complex patterns and detect targets based on data, thanks to their multi-layered structure. In particular, deep learning models that perform target detection by processing information from audio signals and panoramic sea images can be very successful in detecting and classifying specific targets. A key advantage of deep learning networks in the field of underwater target detection is their data-driven feature extraction capabilities over traditional feature-based approaches, which are often used to identify features that previously had to be identified manually. In this way, the variability and complexities encountered in underwater environments can be dealt with more effectively. ANN and CNN, which are deep learning networks, are frequently used in target detection studies. Convolutional Neural Networks (CNNs) are particularly effective in image processing tasks. Such networks are specifically designed for identifying features and recognizing objects in visual data. Artificial Neural Networks (ANNs) offer an ideal framework for automatically extracting complex features and identifying more complex and hierarchical patterns.Therefore, the data clustered by DBSCAN were given as input to artificial neural networks (ANN) and convolutional neural networks (CNN) and the target detection performances of the models were evaluated. In the testing phase, firstly, only the angle and frequency axes were normalized and given as input to the ANN and CNN models, and then the training was repeated by normalizing the noise levels. To test the proposed approach, z score calculations were made on the data set and passed through the DBSCAN algorithm and given as input to the ANN and CNN model. In addition, for comparison, z score calculations were made and training was conducted with data that was not passed through DBSCAN. The results obtained were compared with the results of models trained only with deep learning networks, and the proposed approach achieved much better performance than models trained only with panoramic images and was more successful in target detection. Compared to the raw training data, an improvement of 76% for the ANN model and 45% for the CNN model was achieved. It is expected that this amount of improvement will increase by parameter optimization. These results also showed that deep learning networks have better performance in underwater target detection by learning specific and sensitive features with the DBSCAN algorithm.

Benzer Tezler

  1. Tez No

    171997

    Mandibulanın posterior bölgesine dental implant yerleştirilebilmesi için mandibular kanalın lokalizasyonunu belirlemede üç farklı görüntüleme yönteminin kullanılması

    The use of three different imaging methods for the localization of mandibular canal in placement of dental implant in the posterior region of mandible

    İLKAY ÇELİK

    Doktora

    Türkçe

    Türkçe

    2006

    Diş HekimliğiGazi Üniversitesi

    Diş Hastalıkları ve Tedavisi Ana Bilim Dalı

    PROF.DR. TANSEV MIHÇIOĞLU

  2. Tez No

    398011

    İstanbul'un görselliğinde görüntü-kavram yorumu olarak köprü

    Bridge as an image-notion interpretation in the visuality of Istanbul

    GİZEM KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. FUNDA UZ

  3. Tez No

    828670

    Alt yirmi yaş diş kökleri ve inferior alveolar kanal ilişkisinin panoramik radyografi görüntüleri üzerinde belirlenmesinde yapay zekâ destekli öğrenme modeli geliştirilmesi

    Development of an artificial intelligence based learning model for determining the relationship between mandibular third molar tooth and the inferior alveolar canal on panoramic radiograph images

    ALİ CANBERK ULUSOY

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiEge Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    PROF. DR. BETÜL KARACA

  4. Tez No

    594022

    Byzantine heritage depicted: the aqueduct of Valens in the historical topography of Istanbul

    Tasvirdeki Bizans mirası: İstanbul'un tarihi topografyasında Valens Su Kemeri

    FATMA SARIKAYA IŞIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    MimarlıkOrta Doğu Teknik Üniversitesi

    Mimarlık Tarihi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ PELİN YONCACI ARSLAN

  5. Tez No

    611851

    Panorama ile üretilen plevral efüzyon sitopatoloji görüntüleri üzerinde yolov3 ile otomatik çekirdek algılama

    Automatic nuclei detection with yolov3 algorithm on pleural effusion cytopatology images produced by panorama method

    BÜŞRANUR KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT EKİNCİ

Geri Dön