Geri Dön

X-ray görüntülerinde gizlenmiş devre tespiti için yolo algoritmalarının karşılaştırmalı analizi

Comparative analysis of yolo algorithms for detecting hidden circuits in x-ray images

PDF İndir

  1. Tez No: 959302
  2. Yazar: AYŞE AYBİLGE MURAT
  3. Danışmanlar: PROF. DR. MUSTAFA SERVET KIRAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: 151

Özet

Günümüzde görsel verilerin analizi, birçok kritik alanda karşımıza çıkan temel bir ihtiyaç haline gelmiştir. Görsel analiz süreci geleneksel görüntü işleme teknikleriyle başlamış ve derin öğrenmenin gelişimiyle kolaylaşmıştır. Nesne tespiti, görüntülerdeki belirli nesnelerin otomatik olarak tanınması ve konumlandırılması sürecini ifade etmektedir. Güvenlikten otonom sistemlere, endüstriyel üretimden sağlık teknolojilerine kadar çok geniş bir kullanım alanına sahiptir. Özellikle güvenlik uygulamalarında hızlı ve doğru nesne tespiti büyük önem taşımaktadır. Nesne tespiti için birçok farklı derin öğrenme modeli bulunmaktadır. Tez çalışmasında, gerçek zamanlı nesne tespiti uygulamaları için yaygın olarak tercih edilen YOLO (You Only Look Once) algoritması ele alınmıştır. YOLO modelleri, yüksek hız ve doğruluk oranları sayesinde hem akademik hem de endüstriyel çalışmalarda kullanımıyla öne çıkmaktadır. Bu tez kapsamında, YOLO algoritmasının ortaya çıkışından günümüze kadar olan tüm sürümlerinin (YOLOv1-YOLOv12) mimari yapıları incelenmiş; YOLOv5-YOLOv12 modellerini kapsayan sekiz YOLO modeli ise eğitim aşamasında kullanılmak üzere tercih edilmiştir. Tezin uygulama kısmında, güvenlik uygulamaları için özel olarak hazırlanmış bir veri seti kullanılmıştır. Bu veri seti, dizüstü bilgisayarların içerisine gizlenmiş devreleri içermektedir. Senaryo, bu gizlenmiş devrelerin potansiyel patlayıcı tetikleme devresi olabileceği varsayımı üzerine kurulmuş ve tez kapsamında dizüstü bilgisayarların içerisine gizlenmiş devrelerin tespiti üzerine çalışmalar yürütülmüştür. Çalışmada, farklı YOLO modellerinin bu özel tespit görevindeki başarıları ölçülmüş ve hem model doğruluğu hem de algılama hızı açısından kapsamlı bir değerlendirme gerçekleştirilmiştir. Ayrıca bu tez kapsamında, güvenlik tehditlerinin erken tespiti gibi kritik alanlarda kullanılabilecek YOLO tabanlı bir nesne tespit uygulaması geliştirilmiştir. Uygulama, X-ray görüntülerindeki nesnelerin gerçek zamanlı tespiti ile tehditleri en hızlı şekilde önlemeyi hedeflemektedir. Böylece, güvenlik kontrollerinde insan hatasını minimize eden, hızlı ve güvenilir sonuçlar üreten bir otomatik sistem oluşturulmak istenmiştir. Tez, ayrıca farklı YOLO modellerinin uygulamaya özgü avantaj ve dezavantajlarını ortaya koyarak, geliştirilecek farklı uygulamalar için tercih edilecek en iyi modelin belirlenmesine yardımcı olmayı hedeflemektedir. Çalışma kapsamında, YOLOv9e ve YOLOv11l modelleri gizlenmiş devre tespiti görevinde en yüksek performansı göstermiştir. YOLOv9e modeli, %98.8 mAP50, %64.4 mAP50-95, değerlerine ulaşarak, karmaşık X-ray görüntülerinde detaylı ve güvenilir tespitler yapabilmektedir. Öte yandan, YOLOv11l modeli %98.6 mAP50, %64.4 mAP50-95 ile benzer yüksek performans sergileyerek ön plana çıkmıştır. Bu yüksek doğruluk ve genelleme kabiliyeti, her iki modelin yüksek performans gerektiren güvenlik senaryolarında ideal çözümler olduğunu göstermektedir.

Özet (Çeviri)

Nowadays, the analysis of visual data has become a fundamental need in many critical areas. The process of visual analysis started with traditional image processing techniques and has been facilitated by the development of deep learning. Object detection refers to the process of automatically recognizing and positioning specific objects in images. It has a wide range of applications from security to autonomous systems, from industrial production to health technologies. Fast and accurate object detection is of great importance, especially in security applications. There are many different deep learning models for object detection. In this thesis, the YOLO (You Only Look Once) algorithm, which is widely preferred for real-time object detection applications, is discussed. YOLO models stand out with their use in both academic and industrial studies, thanks to their high speed and accuracy rates. Within the scope of this thesis, the architectural structures of all versions of the YOLO algorithm since its inception (YOLOv1-YOLOv12) have been examined; eight YOLO models covering YOLOv5-YOLOv12 models have been preferred for use in the training phase. In the application part of the thesis, a dataset specially prepared for security applications was used. This dataset contains hidden circuit elements placed inside laptops. The scenario was built on the assumption that these circuit elements could be potential explosive components or triggers, and explosive circuit analysis was performed. In the study, the success of different YOLO models in this specific detection task was measured, and a comprehensive evaluation was carried out in terms of both model accuracy and detection speed. In addition, this thesis develops an object detection system that can be used in critical areas such as the early detection of security threats. The application aims to prevent threats in the fastest way by real-time detection of objects in X-ray images. Thus, it is aimed to create an automatic system that minimizes human error in security controls and produces fast and reliable results. The thesis also aims to help determine the best model to be preferred for different applications to be developed by revealing the application-specific advantages and disadvantages of different YOLO models. In this study, YOLOv9e and YOLOv11l models showed the highest performance in the hidden circuit detection task. The YOLOv9e model achieves 98.8% mAP50, 64.4% mAP50-95%, and can make detailed and reliable detections in complex X-ray images. On the other hand, the YOLOv11l model stood out with a similarly high performance of 98.6% mAP50, 64.4% mAP50-95. This high accuracy and generalization capability show that both models are ideal solutions for high performance security scenarios.

Benzer Tezler

  1. Tez No

    919611

    X-ray görüntülerinden gizlenmiş elektronik devrelerin derin öğrenme yöntemleriyle tespiti

    Detection of concealed electronic circuits in X-ray images using deep learning methods

    GÖKHAN SEYFİ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA SERVET KIRAN

  2. Tez No

    334454

    İndiyum oksit ve galyum katkılı indiyum oksit ince filmlerin optik ve mikroyapısal özelliklerinin incelenmesi

    Investigating optical and microstructure properties of undoped and gallium-doped indium oxide thin films

    KAMİLE BURCU ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Fizik ve Fizik MühendisliğiGebze Yüksek Teknoloji Enstitüsü

    Fizik Ana Bilim Dalı

    DOÇ. DR. MUHAMMED HASAN ASLAN

  3. Tez No

    884127

    Development and characterization of transparent conductive oxide semiconductors via sol-gel dip coating method

    Sol-jel daldırarak kaplama yöntemi ile saydam iletken oksit yarıiletkenlerin geliştirilmesi ve karakterizasyonu

    BÜŞRA GÜNALAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Nanobilim ve Nanomühendislik Ana Bilim Dalı

    PROF. DR. NİLGÜN BAYDOĞAN

  4. Tez No

    961731

    Characterization of Cu-Zn-Sn-Se (CZTSe) thin films deposited by one-step thermal evaporation

    Tek aşamalı ısısal buharlaştırma yöntemiyle kaplanmış Cu-Zn-Sn-Se (CZTSe) ince filmlerin karakterizasyonu

    MELİKE ŞENSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN KARAAĞAÇ

  5. Tez No

    614109

    Silika modifikasyonunun hetero kil yapıların özellikleri üzerine etkisinin incelenmesi

    Investigation of the effect of silica modification on the properties of hetero clay structures

    DİLAN TÜZÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Kimya MühendisliğiGazi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. FATMA SUNA BALCI

Geri Dön