Yeraltı görüntüleme radar verilerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of ground penetrating radar data using deep learning methods
- Tez No: 956330
- Danışmanlar: DOÇ. DR. TAYYİP ÖZCAN, DOÇ. DR. ÖMÜR ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, GPR, Optimizasyon algoritmaları, Sınıflandırma, İnsan-yapay zeka etkileşimi, Deep learning, Optimization algorithms, Classification, Human-artificial intelligence interaction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yeraltında ki nesnelerin tespiti ve sınıflandırması özellikle askeri alanda ve yeraltı görüntüleri ile ilgilenen devlet kurumlarında önemli bir yere sahiptir. Bu işlemler genelde çok maliyetli ve zaman alıcı olduğundan hızlı ve otomatik bir şekilde sınıflandırmak büyük önem arz etmektedir. Gelişen teknoloji ile birlikte radar cihazları aldığı verilerden çeşitli dalga boylarında B-Scan görüntüler üretmektedir. Bu çalışmada ki görüntüler radar cihazlarından alınmış B-Scan görüntüler içeren bir veri seti ve bu veri setinin artırılmış halinden elde edilen iki farklı veri setinden oluşmaktadır. Bu veri setleri üzerinde literatürde sıkça kullanılan ve performanslarını kanıtlamış ResNet50, MobileNetV2, EfficientNetB4, DenseNet201 mimarileri ile sınıflandırma çalışması yapılmıştır. Çalışma şeffaflık ve rastgelelikten arındırılmak için her bir model on kez çalıştırılmış ve herbir çalıştırma sürecinde 5-fold çapraz doğrulama uygulanmıştır. Artırılmamış ham veri setinde en yüksek doğruluğu EfficientNetB4 0.9974 ile verirken çıkarım hızı 0.0174 saniye ile diğer ağlara göre yavaş kalmaktadır. En hızlı çıkarım yapan mimari 0.0030 saniye ile MobileNetV2 olurken 0.9935 doğruluk değeri ile EfficientNetB4'e göre biraz ödün vermiştir. Artırılmış veri setinde ise MobileNetV2 en yüksek doğruluk ve düşük kayıp aynı zamanda diğer metrikleri ve çıkarım süresi bakımından da en iyi performansı gösteren mimari olarak önce çıkmaktadır. Ardından MobileNetV2 algoritması üzerinde Optuna hiperparametre optimizasyon algoritması kullanarak optimizer, batch size, ve öğrenme oranı (learning rate) optimize edilmiştir. En iyi parametre değerleri ile startified 5-fold çapraz doğrulama eğitim işleminden sonra sonuçlar bir önceki parametrelere göre iyileştirilmiştir. Yüksek başarı oranları ve düşük çıkarım süreleri gömülü sistemlerde uygulanabilirliği ile bu yöntemlerle yeraltından nesne tespiti ve sınıflandırması yapmayı büyük ölçüde kolaylaştırmaktadır.
Özet (Çeviri)
The detection and classification of underground objects is particularly important in military and government agencies dealing with underground imagery. Because these processes are generally very costly and time-consuming, rapid and automatic classification is crucial. With developing technology, radar devices generate B-Scan images at various wavelengths from the data they receive. The images in this study consist of a dataset containing B-Scan images from radar devices and two different datasets obtained from the augmented version of this dataset. Classification studies were conducted on these datasets using ResNet50, MobileNetV2, EfficientNetB4, and DenseNet201, architectures that are frequently used in the literature and have proven performance. To ensure transparency and eliminate randomness, each model was run ten times, with 5-fold cross-validation applied during each run. On the unaugmented raw dataset, EfficientNetB4 achieved the highest accuracy of 0.9974, while its inference speed was slower than other networks at 0.0174 seconds. MobileNetV2 achieved the fastest inference with 0.0030 seconds, while its accuracy was 0.9935, making a slight compromise compared to EfficientNetB4. On the augmented dataset, MobileNetV2 emerged as the architecture with the highest accuracy and lowest loss, as well as the best-performing architecture in terms of other metrics and inference time. Then, the Optuna hyperparameter optimization algorithm was used on the MobileNetV2 algorithm to optimize the optimizer, batch size, and learning rate. After a stratified 5-fold cross-validation training process with the best parameter values, the results were improved compared to the previous parameters. The high success rates and low inference times significantly facilitate the applicability of these methods to embedded systems and to perform underground object detection and classification.
Benzer Tezler
- Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti
Object detection in GPR images with deep learning based methods
ORHAN APAYDIN
Yüksek Lisans
Türkçe
2023
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İŞSEVEN
- Şanlıurfa-Harran ovası topraklarının ince kum mineralojisi ve bazı yaygın toprak serilerinin mikromorfolojisi
Başlık çevirisi yok
SABAHATTİN ŞAHAN
- Sosyal değişim sürecinde konut planları farklılaşması-Konya örneği
The Changes of the types of house-plans in accordance with the social changes“Konya being the Sample”
İBRAHİM BAKIR
- Geleneksel Sivrihisar evleri
Traditional houses of Sivrihisar
FİSUN ÖZŞUÇA
Yüksek Lisans
Türkçe
1986
MimarlıkGazi ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. ORHAN CEZMİ TUNCER