A machine learning-based approach for automatic theft detection
Otomatik hırsızlık tespiti için makine öğrenimi tabanlı bir yaklaşım
- Tez No: 927953
- Danışmanlar: DOÇ. BARIŞ ETHEM SÜZEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Hırsızlık Tespiti, Makine Öğrenimi, Eylem Tanıma, Video'da Otomatik Hırsızlık Tespiti, Video Gözetimi, Theft Detection, Machine Learning, Action Recognition, Automatic Theft Detection in Video, Video Surveillance
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hırsızlık, küresel olarak artan yaygın bir suçtur. Hırsızlığı önlemek için sıklıkla video gözetim sistemleri kullanılsa da bu sistemlerde hırsızlığın tespiti, sıkıcı ve tutarsız olabilen manuel izlemeye bağlıdır. Bu, otomatik hırsızlık tespit sistemlerine olan ihtiyacı ortaya koymaktadır. Bu çalışmada, derin öğrenme tabanlı önceden eğitilmiş insan eylemi tanıma modelleri kullanarak otomatik hırsızlık tespit sistemi için makine öğrenimi tabanlı bir yaklaşım geliştirmeyi amaçladık. Yaklaşımımız dört temel adımdan oluşuyordu: veri seti hazırlama, özellik vektörü oluşturma, hırsızlık tespiti için model eğitimi ve performans değerlendirmesi. Central Florida Üniversitesi-Suç kamu veri setinden türettiğimiz veri setlerini kullandık. İlk veri setinde stealing ve normal videolar, ikinci veri setinde shoplifting, stealing ve normal videolar ve üçüncü veri setinde ise shoplifting, stealing, robbery ve normal videolar yer alıyordu. Hırsızlıkla ilgili kategorileri içeren videolar“theft”olarak etiketlenirken, normal videolar“normal”olarak etiketlendi. Her videodan 400 özelliğe sahip öznitelik vektörleri oluşturmak için önceden eğitilmiş dört insan eylem tanıma modeli kullandık. Bu, adım üç verisetinden türetilen 12 ayrı veri seti ile sonuçlandı. Sonra farklı veri kümeleri arasında hırsızlığı normal videolardan ayırt etmek için ikili sınıflandırma yapıldı. Eğitim verilerine Support Vector Machine, Decision Tree, Neural Network, Random Forest, K-Nearest Neighbors, Gaussian Naive Bayes ve Gradient Boosting olmak üzere çeşitli makine öğrenimi algoritmaları hiperparametre ayarlaması ile uygulandı. Model performansı, test kümesine göre değerlendirildi. En iyi performans gösteren, 0,90'lık AUC, 0,90'lık doğruluk, 0,91'lık duyarlılık, 0,90'lık kesinlik ve 0,90'lık F1 score ile Neural Network modelidir. Bu yaklaşım, hırsızlık önlemede gerçek video gözetim verilerine uygulanabilir ve insan güvenliğini artırabilir. Bu çalışma, insan müdahalesini azaltarak, doğruluğu artırma ve video gözetimi işleme sürecinde tutarlılığı koruma potansiyeli sunmaktadır.
Özet (Çeviri)
Theft, a common crime, is increasing globally. Although video surveillance systems are frequently employed to prevent theft, the detection of theft in these systems depends on manual monitoring, which can be tedious and inconsistent. This reveals the need for automatic theft detection systems. In this study, we aimed to develop a machine learning-based approach for automatic theft detection systems using deep learning-based pre-trained human action recognition models. Our approach consisted of four key steps: dataset preparation, feature vector generation, model training for theft detection, and performance evaluation. We used datasets derived from the University of Central Florida-Crime public dataset. The first dataset contained stealing and normal videos, the second included shoplifting, stealing, and normal videos, and the third dataset had shoplifting, stealing, robbery, and normal videos. Videos involving theft-related categories were labeled as“theft,”while normal videos were labeled as“normal”. We utilized four pre-trained human action recognition models to generate feature vectors with 400 features from each video. This resulted in 12 distinct datasets derived from three datasets. Binary classification was then performed to distinguish theft from normal videos across the different datasets. Machine learning algorithms were applied to the training data, including Support Vector Machine, Decision Tree, Neural Network, Random Forest, K-Nearest Neighbors, Gaussian Naive Bayes, and Gradient Boosting, with hyperparameter tuning. Model performance was evaluated based on the test set. The best-performing model was the Neural Network, achieving an AUC of 0.90, accuracy of 0.90, recall of 0.91, precision of 0.90, and an F1 score of 0.90. This approach can be applied to real video surveillance data in theft prevention and increase human safety. Here, by lowering human involvement, there will be the potential to increase accuracy and maintain consistency in video surveillance processing.
Benzer Tezler
- Ovulasyon indüksiyonu tedavisinde folliküler gelişimin ultrasonografik takibi
Başlık çevirisi yok
MERİH BAYRAM
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MÜLAZIM YILDIRIM
- Çimentonun sertleşmesi üzerinde kimyasal komponentlerin etkisi
Başlık çevirisi yok
NACİYE TÜRKEL
Yüksek Lisans
Türkçe
1986
Kimya MühendisliğiUludağ ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. MUSTAFA CEBE
- Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi
Kinetic study and detesmination of thermodnamic parameters of some esters
İBRAHİM TAŞ
Yüksek Lisans
Türkçe
1986
Kimya MühendisliğiUludağ ÜniversitesiKimya Ana Bilim Dalı
PROF. DR. MUSTAFA CEBE
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
Yüksek Lisans
Türkçe
1985
Şehircilik ve Bölge PlanlamaEge ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER