Geri Dön

Radar verilerinden derin öğrenme ile dron, araç ve insanların gerçek zamanlı tespiti ve sınıflandırılması

Real-time detection and classification of drones, vehicles and humans from radar data using deep learning

PDF İndir

  1. Tez No: 952992
  2. Yazar: AHMET GÜNEY ŞENOCAKLI
  3. Danışmanlar: PROF. DR. SENİHA ESEN YÜKSEL ERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 109

Özet

Bu tez, RAD-DAR menzil-Doppler veri kümesinden türetilen radar görüntülerini kullanarak dron, araba ve insan hedeflerinin gerçek zamanlı tespitini ve sınıflandırılmasını amaçlamaktadır. İlk aşamada, mekânsal özellikleri çıkarmak üzere temel bir CNN mimarisi kurulmuş; ardından zamansal bağımlılıkları yakalamak için CNN-LSTM modeli tasarlanmış ve dikkat mekanizması ile desteklenmiştir. Üçüncü aşamada, radar ısı haritalarına uyarlanan YOLOv8 nesne tespit çerçevesi ile hem sınıflandırma hem de hassas konum belirleme gerçekleştirilmiştir. Son olarak, Transformer tabanlı RT-DETR modeli eğitilerek IoU-duyarlı sorgu seçimi ve verimli hibrit kodlayıcı yapıları sayesinde tüm sınıflarda en yüksek doğruluk ve hatasız dron tespiti elde edilmiştir. Gürültü, düşük çözünürlük ve sınıflar arası imza benzerliği gibi radar kaynaklı zorluklar; normalizasyon, sabit renk ölçekli ısı haritaları ve derin öğrenmenin otomatik özellik çıkarımıyla bastırılmıştır. Deneysel sonuçlar RT-DETR'in genel olarak en başarılı yöntem olduğunu; YOLOv8'in yüksek hız ve konumlama yetenekleriyle pratik uygulamalarda güçlü bir alternatif sunduğunu; CNN-LSTM'nin zamansal örüntülerde üstünlük sergilediğini; basit CNN yaklaşımının ise kaynak kısıtlı senaryolarda uygulanabilirliğini koruduğunu ortaya koymuştur. Böylece derin öğrenme ve radar teknolojisinin birleşimiyle yüksek doğrulukta, gerçek zamanlı ve çok yönlü bir hedef tespit sistemi geliştirilebileceği gösterilmiştir.

Özet (Çeviri)

This thesis targets the real-time detection and classification of drones, cars, and humans in range–Doppler radar imagery derived from the RAD-DAR dataset. A four-stage deep-learning pipeline is proposed. First, a baseline CNN automatically extracts spatial features. Second, temporal dependencies are modelled with a CNN-LSTM architecture enhanced by an attention mechanism. Third, the YOLOv8 object-detection framework is adapted to radar heat-maps, enabling simultaneous classification and precise localisation. Finally, a Transformer-based RT-DETR detector is trained; thanks to its IoU-aware query selection and efficient hybrid encoder, it achieves the highest overall accuracy and flawless drone recognition. Radar-specific challenges such as noise, low resolution, and inter-class signature overlap are mitigated through normalisation, fixed colormap heat-maps, and the automatic feature-learning capability of deep networks. Experiments shows that RT-DETR is the best-performing model, while YOLOv8 offers superior speed and bounding-box quality, CNN-LSTM excels in temporal pattern exploitation, and the lightweight CNN remains attractive for resource-constrained deployments. Overall, the study demonstrates that combining radar sensing with modern deep learning yields a highly accurate, real-time, and versatile target-detection system.

Benzer Tezler

  1. Tez No

    894592

    Improved helicopter classification via deep learning and overlapped range-doppler maps

    Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması

    DENİZ CAN ACER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Tez No

    800491

    Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods

    Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme

    REYHAN YURT

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMİD TORPİ

  3. Tez No

    740985

    Optik ve radar uzaktan algılama görüntüleri kullanılarak litolojik birimlerin farklı sınıflandırma teknikleri ile karşılaştırılması

    Comparison of lithological units with different classification techniques using optical and radar remote sensing images

    HATİCE SEVAL MANAP

    Doktora

    Türkçe

    Türkçe

    2022

    Jeoloji MühendisliğiAkdeniz Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR TANER SAN

  4. Tez No

    958732

    Multimodal learning for speech analysis with mmwave radar, ultrasound, and audio

    Konuşma analizinde mmwave radar, ultrason ve ses verileriyle öğrenme

    İLHAN AYTUTULDU

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YUSUF SİNAN AKGÜL

  5. Tez No

    493930

    Yere nüfuz eden radar verilerinde tel tespiti için aktarım ve çok görevli öğrenme yöntemleri

    Transfer and multi task learning methods for wire detection from ground penetrating radar data

    ENVER AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SENİHA ESEN YÜKSEL

Geri Dön