Derin öğrenme ile termal görüntülerden askeri nesne tespiti
Military object detection from thermal images using deep learning
- Tez No: 944774
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR BATTAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Termal Görüntüleme, Derin Öğrenme, Nesne Tespiti, Askeri Tespit ve Sınıflandırma, YOLO, Thermal Imaging, Deep Learning, Object Detection, Military Object Detection and Classification, YOLO
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Alparslan Savunma Bilimleri ve Milli Güvenlik Enstitüsü
- Ana Bilim Dalı: Askeri Elektronik Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Askeri Elektronik Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: 94
Özet
Termal kameralar terörle mücadelede, sınır güvenliğinin sağlanmasında, İnsansız Hava Araçları (İHA), modern zırhlı araçlar, karakollar, üs bölgeleri gibi birçok yapı ve araçta, keşif ve gözetleme faaliyetlerinin yerine getirilmesinde kritik bir öneme sahiptir. Termal kameralar, RGB kameraların kullanılamadığı veya yetersiz kaldığı yağmur, sis ve düşük ışık seviyesi gibi etkilerin oluşturduğu zorlu koşullarda sağladığı görüntüleme ile güvenlik uygulamalarında öne çıkmaktadır. Gelişen bilgisayarlı görü teknolojisi ve derin öğrenme algoritmaları ile elde edilen verilerin işlenmesi neticesinde, kullanılan sistem ve cihazların sunduğu performans ve etki, yeni bir boyut kazanmıştır. Askeri alandaki birçok sisteme entegre olarak veya bağımsız olarak kullanılan termal kameralardan gerçek zamanlı büyük veri elde edilmekte ve bu veriler çoğunlukla kullanıcı tarafından değerlendirilerek karar süreçleri yürütülmektedir. Derin öğrenme, geleneksel çalışma biçimiyle işleyen termal görüntüleme teknolojisinin gerçekleştiremediği; nesne tespiti, tespit edilen nesnelerin sınıflandırılması ve bu sınıflandırmalar aracılığıyla otomatik uyarı ve ikaz mekanizmalarının oluşturulması gibi yeni, daha ayrıntılı ve kapsamlı işlemlerin gerçekleştirilmesine olanak tanır. Gerçek zamanlı nesne tespiti için tasarlanan YOLO (You Only Look Once) mimarisi, nesneleri tek bir adımda tespit edebilmekte olup, hızlı görüntü işleme ve anında karar gerektiren uygulamalarda öne çıkmaktadır. Bu tezin temel amacı, literatürün hâlihazırda oldukça sınırlı olduğu bu alanda, termal görüntüler kullanılarak askeri nesnelerin tespitinde derin öğrenmeye dayalı YOLOv4 ve YOLOv8 algoritmalarının etkinliğini incelemektir. Model performanslarının karşılaştırılmasının ötesinde, çalışma askeri nesne tespiti görevinde termal görüntülerin potansiyeline dikkat çekerek alana özgün bir katkı sağlamayı hedeflemektedir. Ayrıca, elde edilen sonuçların bu teknolojilerin askeri altyapıya entegrasyonunun temelini oluşturması ve gelecekte RGB, LIDAR ya da diğer sensör türleriyle veri füzyonu temelinde çok kaynaklı, gerçek zamanlı askeri nesne tespit sistemlerinin geliştirilmesine katkıda bulunması amaçlanmaktadır. Bu amaçla çalışmada, askeri başlıkların tespit edilmesi hedeflenmiş, söz konusu tespit için özgün bir veri seti oluşturulmuştur. Araştırma aynı zamanda derin öğrenme modellerinin daha özel askeri uygulamalara, örneğin İHA veya otomatik sistemlere entegrasyonuna yönelik katkılar sunmaktadır. Yer gözetleme sistemleri gibi gerçek zamanlı izleme ve tehdit değerlendirme sistemlerine entegrasyon potansiyeline de ışık tutarak, termal görüntüleme teknolojileri ile askeri gözetleme sistemlerinde derin öğrenmenin nasıl bir dönüşüm yaratabileceğini ortaya koymayı ve bu konuda ilerleyen araştırmalara zemin hazırlamayı amaçlamaktadır.
Özet (Çeviri)
Thermal cameras hold critical importance in counter-terrorism operations, border security, and in reconnaissance and surveillance activities conducted by various platforms and vehicles such as unmanned aerial vehicles (UAVs), modern armored vehicles, checkpoints, and military bases. Thermal imaging excels in security applications by providing visual data under challenging conditions caused by rain, fog, and low-light environments where conventional RGB cameras are either ineffective or insufficient. With the advancement of computer vision technologies and deep learning algorithms, the processing of acquired data has elevated the performance and impact of these systems and devices to a new level. Thermal cameras, used either independently or integrated into many military systems, generate large volumes of real-time data that are primarily analyzed by users to support decision-making processes. Deep learning enables new, more detailed, and comprehensive operations that conventional thermal imaging systems cannot perform, such as object detection, classification of detected objects, and the creation of automated warning and alert mechanisms based on these classifications. The YOLO (You Only Look Once) architecture, designed for real-time object detection, identifies objects in a single step, thus standing out in applications that demand rapid image processing and immediate decision-making. The primary objective of this thesis is to investigate the effectiveness of deep learningbased YOLOv4 and YOLOv8 algorithms in detecting military objects using thermal imagery—an area where the literature remains notably limited. Beyond merely comparing model performances, this study aims to highlight the potential of thermal images for military object detection, thereby providing an original contribution to the field. Additionally, the findings are intended to lay the foundation for integrating these technologies into military infrastructures and to support the future development of multi-source, real-time military object detection systems through data fusion with RGB, LiDAR, or other sensor modalities. To this end, the study focuses on the detection of military helmets and involves the creation of a novel dataset specifically for this task. The research also contributes to the integration of deep learning models into more specialized military applications, such as UAVs or automated systems. By shedding light on the integration potential with realtime monitoring and threat assessment systems, such as ground surveillance systems, this thesis aims to demonstrate how deep learning combined with thermal imaging technology can transform military surveillance and to pave the way for further studies in this domain.
Benzer Tezler
- 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
- Yerel görünüm ve derin modeller kullanarak hibrit bir yüz tanıma yaklaşımı
A hybrid face recognition approach using local appearance and deep models
MERT ARI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması
Application of deep learning based super resolution in thermal images
CANER CİVE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Futbolcularda görülen hamstring yaralanmalarının termal görüntüleme ve yapay zeka ile tespiti
Detection of hamstring injuries on football players with thermal imaging and artificial intelligence
MEHMET CELALETTİN ERGENE
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT CEYLAN
- Termal görüntülerde ateş tespitinde klasik/modern metotlar ve geniş dil modeli yaklaşımı
Classical/modern methods and large language model approach in fever detection from thermal images
ADEM ÖZTÜRK
Yüksek Lisans
Türkçe
2025
BiyoteknolojiGümüşhane ÜniversitesiBiyoteknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH KAPLAN