Derin öğrenme ağları ile hava komuta kontrol sistemlerinde optik tanıma ve sınıflandırma
Optical recognition and classification in air command and control systems with deep learning networks
- Tez No: 924118
- Danışmanlar: DOÇ. DR. UĞURHAN KUTBAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
İnsansız hava araçlarının çeşitli alanlarda hızla artan kullanımı, güvenlik açısından hem fırsatlar hem de riskler doğurmakta ve erken tespit ihtiyaçlarını ön plana çıkarmaktadır. Bu çalışmada derin öğrenme teknikleri kullanılarak, insansız hava araçlarının erken tespitiyle kullanımının tehlikeli etkilerinin azaltılması amaçlanmıştır. Çalışmanın amacı, güvenlik sorunları için önceden eğitilmiş YOLOv8 gibi derin öğrenme yaklaşımlarının insansız hava aracı tespiti ile değerlendirilmesidir. Bu çalışma bir insansız hava aracı yarışması için toplanan ve GitHub'da herkese açık olarak paylaşılan bir veri seti kullanılarak, nesne tespiti görevlerinde optimal performans elde etmek amacıyla YOLOv8 modeline odaklanmaktadır. Bu görüntüler Roboflow kullanılarak etiketlenmiş ve model Google Colab üzerinde eğitilmiştir. Gerçek zamanlı tespit uygulamaları için uygunluğu ve karmaşık görsel verileri işleyebilme yeteneği nedeniyle gelişmiş mimarisiyle bilinen YOLOv8 tercih edilmiştir. Modelin performansını en üst düzeye çıkarmak amacıyla hiper parametre ayarlamaları ve veri artırma teknikleri uygulanmıştır. Öğrenme hızı, küme boyutu ve optimizasyon ayarları gibi temel hiper parametreler, en iyi performansı sağlamak için yinelemeli deneyler yoluyla optimize edilmiştir. Hiper parametre ayarlamalarının yanı sıra, modelin dayanıklılığını ve genelleme yeteneğini artırmak için çeşitli veri artırma stratejileri kullanılmıştır. Farklı koşulları ve varyasyonları simüle etmek amacıyla döndürme, ölçekleme, çevirme ve renk ayarlamaları gibi teknikler veri setine uygulanmıştır. Bu çalışmada belirli veri setine uygulanan artırma teknikleri arasında, döndürmenin en yüksek performansı sağladığı tespit edilmiştir. Bulanıklaştırma ve kırpma yöntemlerinin ise bu performansı yakından takip ettiği gözlemlenmiştir. Optimize edilmiş hiper parametreler ve stratejik veri artırma kombinasyonu, YOLOv8'in açık kaynak veri seti üzerinde yüksek tespit doğruluğu ve güvenilir performans elde etmesini sağlamıştır. Bu yöntem, YOLOv8'in gerçek dünya senaryolarında etkinliğini kanıtlarken, modelin yeteneklerini artırmada hiper parametre ayarlarının ve veri artırmanın önemini de vurgulamaktadır. Model performansını artırmak için, döndürme ve bulanıklaştırma gibi veri artırma teknikleri uygulanmıştır. Bu adımların ardından 0.946'lık önemli bir kesinlik değeri, 0.9605'lik dikkate değer bir duyarlılık değeri ve 0.978'lik bir kesinlik-duyarlılık değeri elde edilmiştir. Bu sonuçlarla modelin Mask CNN, CNN ve YOLOv5 gibi birçok popüler modelin üzerinde bir performans gösterdiği tespit edilmiştir.
Özet (Çeviri)
The extensive utilization of drones has led to numerous scenarios that encompass both advantageous and perilous outcomes. By using deep learning techniques, this study aimed to reduce the dangerous effects of drone use through early detection of drones. The purpose of this study is the evaluation of deep learning approaches such as pre-trained YOLOv8 drone detection for security issues. This study focuses on the YOLOv8 model to achieve optimal performance in object detection tasks using a publicly available dataset collected by Mehdi Özel for a UAV competition that is sourced from GitHub. These images are labeled using Roboflow, and the model is trained on Google Colab. YOLOv8, known for its advanced architecture, was selected due to its suitability for real-time detection applications and its ability to process complex visual data. Hyperparameter tuning and data augmentation techniques were applied to maximize the performance of the model. Basic hyperparameters such as learning rate, batch size, and optimization settings were optimized through iterative experiments to provide the best performance. In addition to hyperparameter tuning, various data augmentation strategies were used to increase the robustness and generalization ability of the model. Techniques such as rotation, scaling, flipping, and color adjustments were applied to the dataset to simulate different conditions and variations. Among the augmentation techniques applied to the specific dataset in this study, rotation was found to deliver the highest performance. Blurring and cropping methods were observed to follow closely behind. The combination of optimized hyperparameters and strategic data augmentation allowed YOLOv8 to achieve high detection accuracy and reliable performance on the publicly available dataset. This method demonstrates the effectiveness of YOLOv8 in real-world scenarios, while also highlighting the importance of hyperparameter tuning and data augmentation in increasing model capabilities. To enhance model performance, dataset augmentation techniques including rotation and blurring are implemented. Following these steps, a significant precision value of 0.946, a notable recall value of 0.9605, and a considerable precision–recall curve value of 0.978 are achieved, surpassing many popular models such as Mask CNN, CNN, and YOLOv5.
Benzer Tezler
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Derin öğrenme ile yüksek çözünürlüklü hava görüntülerinde yolların tespit edilmesi
Road detection in aerial images with deep learning
FİGEN ÖNÜN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DOÇ. DR. GALİP AYDIN
- Detecting airplanes in UAV images using deep learning model
Derin öğrenme modeli kullanılarak insansız hava aracı görüntülerinden uçakların tespiti
BURAK ZAHAL
Yüksek Lisans
İngilizce
2025
Savunma ve Savunma TeknolojileriAnkara Yıldırım Beyazıt ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. HÜSEYİN CANBOLAT
- 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
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN UZUN