Uydu görüntülerinden uçak tipi tespitinde genetik algoritma tabanlı hiperparametre optimizasyonunun yolo modeline etkisinin araştırılması
Investigation of the effect of genetic algorithm-based hyperparameter optimization on the yolo model for aircraft type detection from satellite images
- Tez No: 975411
- Danışmanlar: PROF. DR. ÖVÜNÇ POLAT, PROF. DR. SÜLEYMAN BİLGİN, DOÇ. DR. SERDAR GÜNDOĞDU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Genetik algoritmalar, Nesne tespiti, Parametre optimizasyonu, Uydu görüntüleri, Veri artırma teknikleri, Yapay zeka, Deep learning, Genetic algorithms, Object detection, Parameter optimization, Satellite images, Data augmentation techniques, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tez çalışmasında, uydu görüntülerinde yer alan hava araçlarının tespitinde kullanılan derin öğrenme tabanlı bir yöntem ele alınmış ve farklı eğitim stratejilerinin model performansı üzerindeki etkileri incelenmiştir. Nesnelerin uydu görüntülerinden yüksek doğrulukla tanınması, hem sivil hem de askerî alanlarda önem taşıyan güncel bir araştırma konusudur. Bu amaçla çalışmada YOLOv5 mimarisi tercih edilmiş ve görsel olarak benzer özellikler taşıyan ancak farklı görevlerde kullanılan üç farklı uçak tipi ele alınmıştır. Bu sınıflar, askeri savaş uçağı, sivil yolcu uçağı ve askeri kargo uçağından oluşmaktadır. Çalışmada kullanılan veri seti, literatürde yaygın olarak kullanılan hazır veri setleri yerine Google Earth Pro aracılığıyla dünyanın çeşitli bölgelerinde bulunan farklı havaalanlarından manuel olarak toplanan uydu görüntülerinden oluşturulmuş ve YOLO formatında etiketlenmiştir. Eğitim süreci üç farklı deneysel çalışma kapsamında yürütülmüştür. İlk aşamada, herhangi bir değişiklik yapılmadan hazır tanımlı hiperparametreler kullanılmış ve bu bölüm sonraki çalışmalar için başlangıç noktası olarak değerlendirilmiştir. İkinci aşamada, modelin genelleme yeteneğini geliştirmek amacıyla çeşitli veri artırımı tekniklerinden yararlanılmıştır. Son aşamada ise veri artırımı uygulamalarına ek olarak genetik algoritma tabanlı hiperparametre optimizasyonu gerçekleştirilmiştir. Veri setinin sınırlı sayıda örnek içermesi nedeniyle mekânsal ve fotometrik dönüşümlerden yararlanılarak çeşitlilik artırılmış, bu sayede modelin genelleme performansı güçlendirilmiştir. Genetik algoritma tabanlı hiperparametre optimizasyonu ise öğrenme sürecini daha verimli hale getirmiştir. Uygulanan bu üç deneysel çalışmanın karşılaştırılması sonucunda, en yüksek performans genetik algoritma tabanlı hiperparametre optimizasyonu ve veri artırımı yöntemlerinin birlikte kullanıldığı senaryoda elde edilmiştir. Bu senaryoda [email protected] değeri %75.5'ten %89.9'a yükselmiştir (+14.4 puan). Benzer şekilde, [email protected]:0.95 değeri %45.3'ten %60.2'ye çıkarak (+14.9 puan) önemli bir artış sağlamıştır. Kesinlik (precision) değeri %71.6'dan %85.3'e yükselmiş (+13.7 puan), duyarlılık (recall) değeri %70.5'ten %83.6'ya yükselmiş (+13.1 puan) ve F1-skoru (F1-score) %70.6'dan %84.4'e yükselmiştir (+13.8 puan). Elde edilen bulgular, modelin öğrenmesini zorlaştıracak ölçüde yetersiz sayıda örnek görüntü içeren veri kümeleri üzerinde gerçekleştirilen nesne tespiti çalışmalarında veri artırımı ile hiperparametre optimizasyonunun birlikte kullanılmasının model performansı açısından önemli katkılar sağladığını göstermektedir. Bu nedenle uygulanan bu yaklaşım, hem sivil hem de askerî uygulamalarda kullanılabilecek bir seçenek olarak değerlendirilmektedir.
Özet (Çeviri)
In this thesis, a deep learning–based approach was employed for the detection of aircraft in satellite imagery, and the effects of different training strategies on model performance were investigated. The accurate detection of objects from satellite images constitutes a current research topic of significance in both civilian and military domains. For this purpose, the YOLOv5 architecture was adopted, focusing on three types of aircraft that share visually similar features but serve different functions. These classes consist of military fighter aircraft, civilian passenger aircraft, and military cargo aircraft. Unlike commonly used benchmark datasets in the literature, the dataset utilized in this study was created by manually collecting satellite images of various airports worldwide through Google Earth Pro and labeling them in YOLO format. The training process was conducted through three experimental studies. In the first stage, predefined hyperparameters were employed without modification, serving as a baseline for subsequent experiments. In the second stage, various data augmentation techniques were applied to enhance the model's generalization capability. In the final stage, genetic algorithm–based hyperparameter optimization was implemented alongside data augmentation. Since the dataset contained a limited number of samples, spatial and photometric transformations were employed to increase diversity, thereby strengthening the generalization ability of the model. Furthermore, genetic algorithm–based hyperparameter optimization contributed to a more efficient training process. The comparison of the three experimental studies revealed that the highest performance was achieved in the scenario where genetic algorithm–based hyperparameter optimization was combined with data augmentation. In this case, the [email protected] increased from 75.5% to 89.9% (+14.4 points), while the [email protected]:0.95 improved from 45.3% to 60.2% (+14.9 points). Precision rose from 71.6% to 85.3% (+13.7 points), recall from 70.5% to 83.6% (+13.1 points), and the F1-score from 70.6% to 84.4% (+13.8 points). The findings demonstrate that, in object detection tasks conducted on datasets with limited sample sizes that challenge the learning process, the combined use of data augmentation and hyperparameter optimization provides significant improvements in model performance. Therefore, the proposed approach is regarded as a viable option for both civilian and military applications.
Benzer Tezler
- Açık kaynaklı uydu görüntülerinde derin öğrenme yöntemleri kullanılarak uçak tespiti ve uçak tiplerinin belirlenmesi
Detection of aircraft and determination of aircraft types using deep learning methods in open source satellite images
YUNUS EMRE AYDIN
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. UĞUR AVDAN
- Göktürk 2 uydu verilerinin arazi örtüsü ve kullanımının uzaktan algılama ve makine öğrenmesi yöntemleri ile tespitinin araştırılması
Investigation of land cover and land use of Göktürk 2 satellite data by remote sensing and machine learning methods
BİNNAZ METİN
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. MURAT YAKAR
- Global appearance based airplane detection from satellite imagery
Uydu görüntülerinden bütünsel görünüş temelli uçak tespiti
DUYGU ARSLAN
Yüksek Lisans
İngilizce
2012
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. A. AYDIN ALATAN
- Uydu görüntülerinden uçak tespiti
Aircraft detection from satellite images
HUSSEIN MAHMOOD ABDO MOHAMMED
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN ARGUN ORAL
- Evrişimli sinir ağları ile yüksek çözünürlüklü uydu görüntülerinden uçak tespiti
Aircraft detection from high resolution satellite images with convolutional neural networks
EMİNE DİLŞAD ÜNSAL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL