Görüntü işleme ve makine ögrenimi yöntemleriyle drone tespiti
Drone detection with image processing and machine learning methods
- Tez No: 961117
- Danışmanlar: DOÇ. DR. BÜLENT BOLAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: 58
Özet
Son yıllarda dronların sivil ve askeri alanlardaki kullanımının hızla arttığı gözlemlenmektedir. Özellikle güvenlik, gözlem ve lojistik gibi birçok farklı alanda yaygınlaşan dronlar, hem avantajları hem de potansiyel tehditleriyle dikkat çekmektedir. Yetkisiz dronların havaalanları, askeri tesisler, kamu binaları askeri konvoylar ve özel mülkler gibi kritik bölgeler için ciddi bir güvenlik riski oluşturduğu bilinmektedir. Bu tehditlerle etkili bir şekilde mücadele edebilmek için güvenilir, hızlı ve gerçek zamanlı dron tespit sistemlerine ihtiyaç duyulmaktadır. Bu çalışmada, derin öğrenme tabanlı bir nesne tespiti mimarisi olan YOLOv8 kullanılarak etkili bir drone tespit sistemi geliştirilmiştir. YOLOv8, önceki versiyonlarına (YOLOv3 ve YOLOv5) göre daha yüksek hız ve doğruluk oranları sunarak, nesne tespiti problemlerinde önemli bir avantaj sağlamaktadır. Çalışmada kullanılan veri seti, Kaggle ve diğer açık kaynaklardan toplanan, 1300 adet drone ve kuş görüntüsünden oluşmaktadır. Bu görüntüler manuel olarak etiketlenmiş ve rasgele olarak %10'u test için ayrıldıktan sonra modelin eğitiminde kullanılmak üzere yine rastgele olarak %80 eğitim, %20 doğrulama (validasyon) şeklinde ikiye ayrılmıştır. Eğitim sürecinde YOLOv8'in farklı kayıp fonksiyonları ve hiperparametreleri optimize edilmiştir. Sonuç olarak, modelin farklı boyut ve şekillerdeki dronları başarıyla tespit ettiği gözlemlenmiştir. Geliştirilen modelin performansı, saniyede 25-30 kare hızında çalışarak gerçek zamanlı video akışlarında test edilmiştir. Elde edilen sonuçlar, %95'in üzerinde bir doğruluk oranına ulaşarak dronları kuşlardan ayırt ettiği ve bu sistemin pratik uygulamalarda kullanılabilirliğini kanıtlamaktadır. Modelin, son dönemde özellikle savaş bölgelerinde ortaya çıkan asimetrik dron saldırılarına karşı etkili bir savunma mekanizması olarak kullanılabileceği de düşünülmektedir.
Özet (Çeviri)
In recent years, the use of drones in civilian and military fields has been rapidly increasing. Especially becoming widespread in many different areas such as security, surveillance, and logistics, drones attract attention with both their advantages and potential threats. Unauthorized drones are known to pose a serious security risk to critical areas such as airports, military facilities, public buildings, military convoys, and private properties. To effectively combat these threats, reliable, fast, and real-time drone detection systems are required. In this study, an effective drone detection system was developed using YOLOv8, a deep learning-based object detection architecture. YOLOv8, compared to its previous versions (YOLOv3 and YOLOv5), provides higher speed and accuracy rates, offering a significant advantage in solving object detection problems. The dataset used in the study consists of 1300 drone and bird images collected from Kaggle and other open sources. These images were manually labeled and randomly split, with 10\% set aside for testing. The remaining data was further divided into 80\% training and 20\% validation for model training. During the training process, different loss functions and hyperparameters of YOLOv8 were optimized. As a result, it was observed that the model successfully detected drones of different sizes and shapes. The performance of the developed model was tested on real-time video streams, operating at a frame rate of 25-30 frames per second. The obtained results reached an accuracy rate of over 95\%, proving that the system can distinguish drones from birds and can be utilized in practical applications. It is also considered that the model could serve as an effective defense mechanism against asymmetric drone attacks, especially those emerging in recent times in conflict zones.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Derin öğrenme tabanlı görüntü işleme ile nesne tanıma yöntemlerinde başarım oranı artırma
Increasing the success rate in object recognition methods by deep learning-based image processing
MUHAMMED ALİ ERBİR
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease
Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı
ELİF KESKİN BİLGİÇ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR
- Aşırı öğrenme makineleri ile beta talasemi ve demir eksikliği anemisinin ayırt edilmesi
Discrimination of β-thalassemia and iron deficiency anemia through extreme learning machine and regularized extreme learning machine based decision support system
BETÜL SAYIN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER TUNCER