Multispectral imaging with swir camera for material detection in deep learning applications
Derin öğrenme uygulamalarında materyal tespiti için swir kamera ile multispektral görüntüleme
- Tez No: 965991
- Danışmanlar: PROF. DR. TUĞBA SELCEN NAVRUZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde görüntüleme sistemlerinin kullanımı ve amacı, sahip oldukları özel kabiliyetler sayesinde her geçen gün daha da önem kazanmaktadır. Modern teknolojide, uygulama ihtiyaçlarına göre çeşitlenen görüntüleme sistemleri ile gerçekleştirilen çalışmalar da hızla artmakta ve çeşitlenmektedir. Görünür bölge görüntüleme dışında; kızılötesi (IR), gama, termal ve ultraviyole (UV) gibi farklı spektral bantlarda çalışan özel görüntüleme yöntemleri de bu alanda önemli yer tutmaktadır. Son yıllarda, uygulama hatalarını en aza indirmeyi hedefleyen derin öğrenme ve makine öğrenmesi yöntemlerinin, bu tür görüntüleme sistemlerine entegre edilmesiyle daha başarılı sonuçlar elde edilmeye başlanmıştır. Bu çalışmada ise, görsel olarak ayırt edilmesi güç ve birbirine oldukça benzeyen sıvı malzemelerin sınıflandırılması hedeflenmiştir. Derin öğrenme alanında yaygın olarak kullanılan görüntü tabanlı modellerden olan Evrişimli Sinir Ağı (CNN) mimarisi temel alınmıştır. Ayırt edilmesi hedeflenen malzemeler; su, propanol (alkol), aseton, kolonya ve flux olarak belirlenmiş ve bu maddelere ait görüntüler, hem Kısa Dalga Kızılötesi (SWIR) hem de görünür bölge (RGB) kameraları kullanılarak alınmıştır. Böylece, multispektral, SWIR ve RGB görüntülerden oluşan özel bir veri seti oluşturulmuştur. Beşli sınıflandırma senaryosunda, RGB kamera görüntüleri ile elde edilen test doğruluğu %34,16; SWIR görüntüleriyle %59,96 olarak belirlenmiştir. SWIR kamera ile 1200 nm, 1300 nm, 1400 nm, 1500 nm ve 1600 nm dalga boylarında alınan multispektral görüntülerle yapılan sınıflandırmada ise test doğruluğu %96,46'ya ulaşmıştır. Sadece doğruluk oranı değil, aynı zamanda sınıflar arası pozitif tahmin başarısını ve modelin genel dengesini yansıttığı için F1 skoru da değerlendirmeye dahil edilmiştir. RGB görüntüler için %32,72 olan F1 skoru, SWIR görüntülerinde %41,62 ve multispektral görüntülerde %89,09 olarak kaydedilmiştir. Sonuç olarak, bu çalışma kapsamında derin öğrenme temelli bir sınıflandırma modeli ile, gözle ayırt edilmesi güç malzemelerin tespiti hedeflenmiş; multispektral görüntüleme yönteminin, sınıflar arası ayırt ediciliği artırarak daha başarılı sonuçlar sunduğu ortaya konmuştur.
Özet (Çeviri)
Today, the use and purpose of imaging systems have become increasingly important in recent years due to their unique capabilities. With the advancement of modern technology, specialized imaging systems tailored to various application needs have diversified, leading to a significant increase in related research and practical implementations. Various imaging techniques beyond the visible spectrum, including IR, UV, thermal, and gamma imaging, have emerged as powerful tools for capturing material characteristics that are not observable through conventional visual methods. Recently, the integration of deep learning and machine learning approaches into these imaging systems has aimed to minimize operational errors and achieve more accurate outcomes. This study focuses on the classification of liquid materials that are visually indistinguishable and highly similar in appearance. Convolutional Neural Networks (CNNs), one of the most widely used deep learning-based image analysis models, were employed for this task. The materials targeted for classification included water, propanol (alcohol), acetone, cologne, and flux. Images of these substances were captured using both Short-Wave Infrared (SWIR) and visible region (RGB) cameras, resulting in a custom dataset comprising multispectral, SWIR, and RGB images. In the five-class classification scenario, the test accuracy obtained from RGB camera images was 34.16%, while SWIR camera images yielded a test accuracy of 59.96%. When multispectral images were captured using filters with cutoff wavelengths at 1200 nm, 1300 nm, 1400 nm, 1500 nm, and 1600 nm, the classification performance significantly increased, reaching a test accuracy of 96.46%. In addition to accuracy, the F1-score was also considered, as it reflects both the precision of positive predictions and the overall balance of the model. The F1-scores were recorded as 32.72% for RGB images, 41.62% for SWIR images, and 89.09% for multispectral images. As a result, this study demonstrated that a deep learning-based classification model can successfully distinguish between visually similar liquid substances. It was shown that multispectral imaging notably enhances inter-class discriminability, providing significantly improved classification performance compared to standard RGB and SWIR imaging techniques.
Benzer Tezler
- Computerization of a classical scintillation gamma-ray spectrometer
Başlık çevirisi yok
FARSHİD MANOOCHEHRİ
- On the theorgy and implementation of FM simultaneous transmission
Başlık çevirisi yok
MUSTAFA ERGÜN
Yüksek Lisans
İngilizce
1989
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiPROF. DR. CANAN TOKER
- Inelastic spectral analysis of structural systems under seismic excitation
Başlık çevirisi yok
MURAT DİCLELİ
- Markov ve Gibbs rastlantı alan modelleri ile doku sentezleme ve sınıflandırma
Texture synthesis and classification using Markov and Gibbs random field models
ERDOĞAN CAMCIOĞLU
Yüksek Lisans
Türkçe
1990
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. ERDAL PANAYIRCI
- Enerji dispersiv X-ışını tekniğinde MoK alfa ve MoK beta için öz soğurma düzeltmesi
Başlık çevirisi yok
LÜTFÜ DEMİR
Yüksek Lisans
Türkçe
1991
Fizik ve Fizik MühendisliğiAtatürk ÜniversitesiFizik Ana Bilim Dalı
Y.DOÇ.DR. YUSUF ŞAHİN