Görüntü işleme ve radar verilerinin birleştirilmesiyle hava hedeflerinin tespiti ve sınıflandırılması
Detection and classification of aerial targets through the fusion of image processing and radar data
- Tez No: 947297
- Danışmanlar: DR. ÖĞR. ÜYESİ NURİ BİNGÖL
- 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: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 72
Özet
Tez çalışması kapsamında, görüntü işleme teknikleri ve radar verileri birleştirilerek hava hedeflerinin tespiti için bütünleşik bir yaklaşım sunulmuştur. Çalışmanın amacı, SAR görsel verileri ve derin öğrenme tabanlı algoritmalara dayalı olarak yüksek doğrulukla uçak varlığını tespit etmektir. Çalışmamızda, derin öğrenme algoritmaları kullanılarak ikili bir sınıflandırma yöntemi uygulanmış ve veri seti iki ana sınıfa ayrılmıştır. 1 sayısı“uçak mevcut”u, 0 sayısı ise“uçak yok”u temsil etmektedir. Eğitimden önce, veriler üç ana alt kümeye ayrılmıştır: eğitim, test ve doğrulama. İlk ön işleme adımı olarak, görüntü verilerindeki benek gürültüsünü azaltmak için Lee filtresi uygulanmıştır. İkinci adım olarak, görüntülerin kontrastını artırmak için CLAHE (Kontrast Sınırlı Uyarlamalı Histogram Eşitleme) uygulanmıştır. Son olarak, veri ön işleme adımları normalizasyon ve veri artırma yöntemleri kullanılarak tamamlanmıştır. İkili sınıflandırma için, evrişimli sinir ağlarına (CNN) dayalı DenseNet, ResNet50 ve MobileNetV2 modelleri kullanılmıştır. Çalışmada, bu algoritmaların SAR verilerine dayalı ikili sınıflandırma problemindeki performansları ardışık olarak karşılaştırıldı ve değerlendirildi. Elde edilen sonuçlara göre, önerilen yöntemlerin hava hedeflerinin tespiti ve sınıflandırılmasında performans ve güvenilirlik oranlarını önemli ölçüde artırdığı ve hava hedeflerinin tespiti ve sınıflandırmasına dayalı sistemlere önemli katkılar sağladığı belirlenmiştir. Son olarak, hava hedeflerinin tespiti ve sınıflandırılmasında, radar verilerine yönelik yapılan aldatıcı ve yanıltıcı tehditler incelenmiş ve derin öğrenme algoritmalarının bu aldatmalar karşısında dirençli hale getirilmesi ele alınmıştır.
Özet (Çeviri)
Within the scope of the thesis study, an integrated approach for the detection of air targets was presented by combining image processing techniques and radar data. The aim of the study is to detect the presence of aircraft with high accuracy based on SAR visual data and deep learning-based algorithms. In our study, a binary classification method was applied using deep learning algorithms, and the dataset was divided into two main classes. The number 1 represents“aircraft present,”and the number 0 represents“aircraft absent.”Before training, the data was divided into three main subsets: training, testing, and validation. As the first preprocessing step, the Lee filter was applied to reduce speckle noise in the image data. As the second step, CLAHE (Contrast Limited Adaptive Histogram Equalization) was applied to enhance the contrast of the images. Finally, data preprocessing steps were completed using normalization and data augmentation methods. For binary classification, DenseNet, ResNet50, and MobileNetV2 models based on convolutional neural networks (CNN) were used. In the study, the performances of these algorithms in the binary classification problem based on SAR data were sequentially compared and evaluated. According to the results obtained, it was determined that the proposed methods significantly increased performance and reliability rates in the detection and classification of air targets and made important contributions to systems based on air target detection and classification. Finally, deceptive and misleading threats directed at radar data in the detection and classification of air targets were examined, and making deep learning algorithms resistant to these deceptions was addressed.
Benzer Tezler
- Design, implementation and comparison ofsensor fusion methods for object detection and trackingbased on multiple 3D lidar sensors
Çoklu 3D lidar sensörleri üzerindenesne algılama ve takibi için sensör füzyon yöntemlerinintasarımı, uygulaması ve karşılaştırılması
ELİF AKSU TAŞDELEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN SEZER
- Mapping buried archaeological sites by using geomatic tools: Archaeomatics
Saklı kalmış arkeolojik alanların geomatik araçlarla haritalanması: Arkeomatik
FİLİZ KURTCEBE ALTIN
Doktora
İngilizce
2012
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER
- Radar target detection using improved transformer neural networks
Geliştirilmiş transformer sinir ağları ile radar hedef tespiti
SENA ÇAYBAŞI
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Yere nüfuz eden radar verilerinin işlenmesi ile hedef tespiti
Target detection using ground penetrating datas
DENİZ ÇOLAK
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELDA GÜNEY
- Missing data recovery in GPR with deep learning
Derin öğrenme ile GPR görüntülerinde veri kurtarma
KÜBRA TAŞ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER