Derin öğrenme kullanılarak uzaktan algılama görüntülerinden gemi tespiti
Ship detection from remote sensing images using deep learning
- Tez No: 934752
- Danışmanlar: DOÇ. DR. FATİH AHMET ŞENEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 55
Özet
Uzaktan algılama görüntülerinden gemi tespiti, deniz trafiği kontrolü, yasadışı balıkçılık, petrol deşarjı izleme, deniz güvenliği ve çevre koruma gibi pek çok alanda kritik bir rol oynamaktadır. Yüksek çözünürlüklü uydu görüntüleri, geniş alanları kapsayarak gemi tespitini daha verimli hale getirmekte, ancak büyük veri hacmi ve gerçek zamanlı analiz gereksinimleri, geleneksel yöntemlerin yetersiz kalmasına neden olmaktadır. Gemi tespitinde yüksek doğruluk elde etmek için derin öğrenme tabanlı yaklaşımlar büyük önem taşımaktadır. Derin öğrenme modelleri, insan kaynaklı hataları en aza indirerek analiz süreçlerini hızlandırmakta ve büyük veri setlerinin işlenmesini daha verimli hale getirmektedir. Bu tez çalışmasında, Google Earth açık kaynak veri seti kullanılarak YOLO modelleri ile gemi tespiti gerçekleştirilmiştir. Veri seti, kıyı ve açık deniz bölgelerinden farklı ölçek, şekil, yön ve hava koşullarında gemi görüntüleri içermektedir. Çalışmada, tüm görüntüler YOLO etiketleme formatında etiketlenmiş olup, YOLOv8 ve YOLOv9 modelleri ile analiz edilmiştir. Model eğitim süreci sonucunda, YOLOv8 modelinin doğruluk oranı mAP50 için %95,4, mAP50-95 için %69,3 olarak belirlenmiştir. YOLOv9 modeli ise gelişmiş GELAN ağı sayesinde daha karmaşık yapıları daha yüksek doğrulukla tespit edebilmekte olup, mAP50 değeri %96,0, mAP50-95 değeri ise %73,7 olarak hesaplanmıştır. Model karşılaştırmaları, YOLOv9'un özellikle küçük ve birbirine yakın nesneleri daha iyi ayırt edebildiğini göstermektedir. Sonuçlar, YOLO tabanlı derin öğrenme modellerinin uzaktan algılama görüntülerinden gemi tespitinde yüksek doğruluk sağladığını ortaya koymaktadır. Özellikle YOLOv9'un gelişmiş mimarisi sayesinde daha başarılı sonuçlar sunduğu görülmektedir. Bu kapsamda, derin öğrenme tabanlı nesne tespiti yöntemlerinin denizcilik uygulamalarında etkin bir şekilde kullanılabileceği ve otomatik gemi tespit süreçlerini önemli ölçüde iyileştirebileceği ortaya konulmaktadır. Ayrıca, gelecekte daha büyük ve çeşitli veri setleri ile bu modellerin geliştirilmesi, uzaktan algılama tabanlı denizcilik analizlerini daha da ileriye taşıyacaktır.
Özet (Çeviri)
Ship detection from remote sensing imagery plays a critical role in many areas such as maritime traffic control, illegal fishing, oil discharge monitoring, maritime security and environmental protection. High-resolution satellite imagery makes ship detection more efficient by covering large areas, but the large data volume and real-time analysis requirements cause traditional methods to be inadequate. Deep learning-based approaches are of great importance to achieve high accuracy in ship detection. Deep learning models accelerate the analysis processes by minimising human errors and make the processing of large data sets more efficient. In this thesis, ship detection was carried out using Google Earth open-source data set with YOLO models. The dataset contains images of ships in different scales, shapes, orientations and weather conditions from coastal and offshore regions. In the study, all images were labelled in YOLO tagging format and analysed with YOLOv8 and YOLOv9 models. As a result of the model training process, the accuracy of the YOLOv8 model was 95.4% for mAP50 and 69.3% for mAP50-95. The YOLOv9 model, on the other hand, can detect more complex structures with higher accuracy thanks to the advanced GELAN network, and the mAP50 value is calculated as 96.0% and the mAP50-95 value is calculated as 73.7%. Model comparisons show that YOLOv9 can better distinguish small and close objects. The results show that YOLO-based deep learning models provide high accuracy in ship detection from remote sensing images. In particular, it is seen that YOLOv9 provides more successful results thanks to its advanced architecture. In this context, it is demonstrated that deep learning-based object detection methods can be effectively used in maritime applications and can significantly improve automatic ship detection processes. In addition, the development of these models with larger and more diverse data sets in the future will further advance remote sensing-based maritime analyses.
Benzer Tezler
- Vessel detection from very high-resolution satellite images with deep learning methods
Derin öğrenme metotları kullanılarak çok yüksek çözünürlüklü uydu görüntülerinden gemi tespiti
FURKAN BÜYÜKKANBER
Yüksek Lisans
İngilizce
2022
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MUSTAFA YANALAK
- Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması
Detection and classification of ships from satellite images using deep learning methods
MEHMET SAMİ TÜRKER
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- Object detection from optical satellite images using deep learning techniques
Derin öğrenme tekniklerini kullanarak optik uydu görüntülerinden nesne tespiti
ESRA YILDIRIM
Yüksek Lisans
İngilizce
2022
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. TAŞKIN KAVZOĞLU
- 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
- 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