Hava araçlarına ait görüntülerin sınıflandırılması
Classification of aircraft images
- Tez No: 940413
- Danışmanlar: DR. ÖĞR. ÜYESİ DENİZ KARAÇOR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 77
Özet
Bu çalışmada, belirli bir gruba ait askeri uçakların sınıflandırılması, sınıflandırma performanslarının değerlendirilmesi ve geliştirilmesi amaçlanmıştır. Uçaklarda sınıflandırma, başka ülkelerin tehdidini algılama, ülke sınırlarının güvenliğini sağlama, ticari uçuşlar ve askeri hava trafiği arasında etkili bir koordinasyon sağlama açısından büyük bir önem taşımaktadır. Sınıflandırma yapmak için kullanılan algoritmalarda, bir yapay sinir ağı olan Convolutional Neural Network (CNN) ve makine öğrenmesi olan Support Vector Machine (SVM) yöntemleri kullanılmıştır. CNN, görüntü veya başka veri çeşitlerini filtreler ya da çekirdekler (Kernel) aracılığıyla işleyerek verinin özelliklerini otomatik olarak öğrenmek üzerine kurulu bir mimaridir. SVM ise sınıflandırma ya da regresyon için kullanılan bir makine öğrenme algoritmasıdır. Verileri uzayda maksimum aralıkla ayıran hiper düzlemi bularak sınıflandırma yapmaktadır. Ayrıca, çekirdek yöntemlerini kullanarak doğrusal olmayan problemler için çözümler de sunabilmektedir. Bu tür sınıflandırma yöntemlerin etkinliği, büyük ölçüde kullanılan veri setlerinin kapsamı ve çeşitliliğiyle doğrudan bağlantılıdır. Bu araştırmada, Shayan Khos tarafından oluşturulan ve sekiz farklı uçak tipini içeren, toplam 4990 adet uçak görselinden oluşan bir veri seti kullanılmıştır. Bu veri seti üzerinde CNN ve CNN-SVM modeli uygulanarak sınıflandırma gerçekleştirilmiştir. Bu modellerin performanslarını değerlendirebilmek amacıyla, içerisindeki bazı hiper parametreler değiştirilerek elde edilen sonuçlar karşılaştırılmıştır. İlk olarak, bu veri seti doğrudan CNN modeline uygulanmış ve CNN içerisindeki parametreler (öğrenme seçeneği, ilk öğrenme oranı değeri ve periyot sayıları) değiştirilerek bir karşılaştırma yapılmıştır. Daha sonrasında, CNN mimarisi yalnızca öznitelik çıkarımı için kullanılmış; bu öznitelikler, SVM algoritması ile sınıflandırılarak çıkan sonuçlar analiz edilmiştir. CNN ve CNN-SVM modellerine ayrı ayrı veri artırma işlemi uygulanarak doğruluk oranlarındaki değişimler gözlemlenmiştir. Elde edilen sonuçlar göz önüne alındığında doğrudan CNN'e verilen ve artırma işlemi uygulanan veri setinin, 80 epok (Epoch) değerinde başlangıç öğrenme oranı (Initial Learn Rate) 0,001 olarak ayarlanmış ve sgdm algoritması kullanılarak eğitildiği senaryoda %96,52 test doğruluk oranı ile en yüksek performansa ulaştığı tespit edilmiştir.
Özet (Çeviri)
The aim of this study is to classify military aircraft belonging to a specific group, to evaluate the classification performance and to improve the results. Aircraft classification is important for detecting potential threats from other nations, ensuring the security of national borders, and facilitating effective coordination between commercial flights and military air traffic. The classification algorithms used in this study include the Convolutional Neural Network (CNN), an artificial neural network, and the Support Vector Machine (SVM), a machine learning algorithm. CNN is designed to automatically learn data features by processing different types of input, such as images, through filters or kernels. SVM, on the other hand, is a machine learning algorithm used for classification and regression tasks. It performs classification by identifying the hyperplane that maximises the distance between data points in the feature space. In addition, by using kernel methods, SVM can also provide solutions to non-linear problems. The effectiveness of such classification methods is highly dependent on the size and diversity of the data sets used. In this research, a dataset consisting of 4,990 aircraft images of eight different aircraft types created by Shayan Khos was used. Classification was performed on this dataset using both CNN and CNN-SVM models. To evaluate the performance of these models, various hyperparameters were adjusted and the resulting results were compared. First, the dataset was applied directly to the CNN model and a comparison was made by modifying internal parameters of the CNN, such as the learning option, the initial learning rate and the number of epochs. Subsequently, the CNN architecture was used exclusively for feature extraction and these features were classified using the SVM algorithm and the results were analysed. Data augmentation was applied separately to both the CNN and CNN-SVM models, and the differences in accuracy were observed. The results showed that the scenario where the augmented dataset was fed directly into the CNN model, trained for 80 epochs with an initial learning rate of 0.001 using the sgdm algorithm, achieved the highest performance with a test accuracy of 96.52%.
Benzer Tezler
- Araç renk tanıma sistemi
Vehicle color recognition system
ERİDA DULE
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHİTTİN GÖKMEN
- Yüksek çözünürlüklü uydu verileri kullanılarak şehir alanlarının incelenmesi
Investigation of city areas using high-resolution satellite data
RAZİYE HALE TOPALOĞLU
Doktora
Türkçe
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Wetland spectro-temporal unmixing using multitemporal multispectral satellite images
Çok zamanlı çok bantlı uydu görüntüleri kullanılarak sulak alanda spektro-zamansal ayrıştırma
ERDEM ÖZER
Doktora
İngilizce
2022
Bilim ve TeknolojiOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. UĞUR MURAT LELOĞLU
- Uydu görüntü verisinin yapay sinir ağları ile sınıflandırılması
Classification of satellite imagery data with artificial neural networks
COŞKUN ÖZKAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
DOÇ.DR. FİLİZ SUNAR ERBEK
- Investigating olive trees by monitoring phenological stages using multi-modal satellite sensor data
Çok-modlu uydu sensör verileri kullanılarak fenolojik aşamalarının izlenmesiyle zeytin ağaçlarının araştırılması
HAYDAR MUHAMMED AKÇAY
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA