Derin öğrenme teknikleri ile askeri tehdit unsurlarının tespiti
Detection of military threat elements using deep learning techniques
- Tez No: 953911
- Danışmanlar: DOÇ. DR. İLKER ALİ ÖZKAN
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Tarih boyunca, teknolojik gelişmelere katkı sağlayan önemli unsurlardan biri, ülkelerin askeri tehditlere karşı duyduğu güvenlik kaygıları olmuştur. Güvenlik kaygılarına sebep olan askeri tehditler ve güvenlik maksatlı alınan önlemler zaman, mekân ve dönemin şartlarına bağlı olarak değişiklik göstermektedir. Ancak her ne şekilde olursa olsun askeri tehditlerden korunmanın ilk adımı onların tespit edilmesidir. Bu sebeple askeri tehditlerin tespiti ulusal savunma stratejilerinin kilit noktalarındandır. Günümüzde derin öğrenme teknikleri ile kamera görüntüleri üzerinden potansiyel tehdit unsurlarının tespit edilmesi mümkün hale gelmiştir. Literatürde bu doğrultuda gerçekleştirilen çalışmalar mevcut olmasına rağmen, mevcut çalışmalarda işlem hızı yetersizliği ve taşınabilirlik olmak üzere genel olarak iki temel sınırlama dikkat çekmektedir. Bu tez çalışmasında, bu iki önemli eksik göz önünde bulundurularak, derin öğrenme temelli yaklaşım ile askeri tehdit unsurlarının hızlı ve taşınabilir bir şekilde tespit edildiği bir model geliştirilmesi amaçlanmıştır. Çalışma kapsamında, NVIDIA Jetson Nano geliştirme kartı üzerinde, derin öğrenme tekniklerine dayanan YOLO (You Only Look Once) algoritmasına dayalı bir askeri tehdit unsur tespit sistemi tasarlanmıştır. Bu doğrultuda, Kaggle platformundan elde edilen tank, askeri kamyon, ZPT-ZMA (Zırhlı Personel Taşıyıcı-Zırhlı Muharebe Aracı) sınıflarını içeren ve 1795 görselden oluşan bir veri seti kullanılmıştır. Modelin genel performansını arttırmak amacıyla veri artırma işlemi gerçekleştirilmiştir. Model eğitiminde YOLOv5n mimarisi temel alınarak bir nesne tespit modeli geliştirilmiş ve modelin gerçek zamanlı çalışmaya uygun hale getirilmesi amacıyla TensorRT ile optimizasyon işlemi yapılmıştır. Optimize edilen model ile tüm sınıfların ortalamasında %89 mAP (mean Average Precision) skoruna ulaşılmıştır. Modelin gerçek zamanlı performansının değerlendirilmesi amacıyla askeri konvoy içeren bir video üzerinde model test edilmiş ve 22,1 FPS (Frame Per Second) değeri elde edilmiştir. Ayrıca, çok iş parçacıklı video işleme yöntemi ile bu değer ortalamada 26,42 FPS'e yükseltilmiştir.
Özet (Çeviri)
Throughout history, one of the key drivers behind technological advancements has been the security concerns of nations in the face of military threats. The nature of these threats and the security measures taken to counter them vary depending on time, location, and the prevailing conditions of the period. Nevertheless, regardless of the circumstances, the first step in defending against military threats is their detection. For this reason, the identification of military threats constitutes a critical component of national defense strategies. Today, with the aid of deep learning techniques, it has become possible to detect potential threats through camera footage. Although there are studies in the literature addressing this issue, two major limitations commonly stand out: insufficient processing speed and lack of portability. Considering these two shortcomings, this thesis aims to develop a deep learning-based model capable of detecting military threats both rapidly and in a portable manner. Within the scope of this study, a military threat detection system based on deep learning techniques was designed using the YOLO (You Only Look Once) algorithm on the NVIDIA Jetson Nano development board. For this purpose, a dataset containing 1,795 images and consisting of the classes tank, military truck, and APC-IFV (Armored Personnel Carrier - Infantry Fighting Vehicle) was obtained from the Kaggle platform. Data augmentation techniques were applied to improve the overall performance of the model. An object detection model based on the YOLOv5n architecture was developed for training, and optimization was performed using TensorRT to enable real-time performance. The optimized model achieved a mean Average Precision (mAP) score of 89% across all classes. In order to evaluate the real-time performance of the model, it was tested on a video containing a military convoy, yielding a result of 22.1 frames per second (FPS). Furthermore, through the use of a multi-threaded video processing approach, this performance was increased to an average of 26.42 FPS.
Benzer Tezler
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Early detection of distributed denial of service attacks
Dağıtık hizmet engelleme saldırılarının erken tespiti
KAĞAN ÖZGÜN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE TOSUN KÜHN
DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA
- Yere nüfuz eden radar görüntülerinde derin öğrenme ile askeri anlamda tehdit oluşturabilecek gömülü alanların tespiti
Detection of buried areas that can cause military threat with deep learning in ground penetreating radar images
NİHAT ÖZSOY
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiSavunma Teknolojileri ve Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DİKMEN
- Signal detection and parameter estimation of frequency hopping signals
Frekans atlamalı sinyallerin tespiti ve parametre kestirimi
BATUHAN KAPLAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Demokrasi tarihi açısından 1912 Mebusan Meclisi ve faaliyetleri
Başlık çevirisi yok
KENAN OLGUN
Yüksek Lisans
Türkçe
1994
Türk İnkılap Tarihiİstanbul ÜniversitesiTürkiye Cumhuriyeti Tarihi Ana Bilim Dalı
PROF. DR. MEHMET SARAY