Derin öğrenme algoritmaları kullanarak insansız hava araçları ile silah tespiti
| dc.contributor.advisor | Budak, Cafer | |
| dc.contributor.author | Burgaz, Mustafa | |
| dc.date.accessioned | 2020-09-08T12:29:00Z | |
| dc.date.available | 2020-09-08T12:29:00Z | |
| dc.date.issued | 2020-07-09 | en_US |
| dc.department | Batman Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Bölümü Anabilim Dalı | en_US |
| dc.description.abstract | Derin öğrenme algoritmalarının günümüzde yaygınlaşması görüntü ve videolarda nesne tespit, tanıma uygulamalarının artmasına sebep olmuştur. Nesne tespit ve tanıma uygulamaları son yıllarda güvenlik, savunma, doğal afetler (sel, deprem ve yangın vb.), sağlık (salgınların yayılımının önlenmesi vb.), tarım, ormancılık alanlarında birçok problemlere çözüm bulmaktadır. Nesne tespit, tanıma uygulamalarında oldukça yaygın kullanılan algoritmaların başında Bölgesel Tabanlı Konvolüsyonel Sinir Ağları (R-CNN) gelmektedir. R-CNN’nin geliştirilen tespit uygulamalarına yardımcı olmaları açısından Hızlı bölgesel tabanlı konvolüsyonel sinir ağları (Fast R-CNN) ve Daha hızlı bölgesel tabanlı konvolüsyonel sinir ağları (Faster R-CNN) algoritmaları geliştirilmiştir. Nesne tespit uygulamalarının başarısını daha da artırmak için kullanılan bir başka Konvolüsyonel sinir ağları (CNN) algoritması da ResNet101 algoritmasıdır. Özellikle görüntü tespitinde yaygın bir şekilde kullanılan ResNet101, R-CNN, Fast R-CNN ve Faster R-CNN algoritmalarının birbirleri arasındaki nesne tespit doğruluk oranı, nesne tespit zamanı gibi farkları en aza indirgemek için tercih edilmiştir. Bu çalışmada insansız hava aracı (İHA) ile havadan çekilmiş görüntülerden nesne (silah) tespiti yapılması amaçlanmıştır. Elde edilen görüntülerde R-CNN nesne (silah) tespitinde doğru tahmin oranının diğer R-CNN çeşitlerinden yüksek olması sebebiyle tercih edilmiştir. R-CNN algoritmalarının yanında doğru tahmin oranına katkısını görebilmek maksadıyla ResNet101 algoritmasının kullanımı bu çalışmada denenmiştir. Bu kapsamda İHA ile havadan çekilmiş 200 adet görüntü kullanarak eğitim verileri ve test verileri oluşturulmuştur. Yapılan eğitim sonucunda veri seti üzerinde R-CNN mimarisi ve ResNet101 mimarisiyle %99 doğruluk oranı, hassaasiyet ile görüntü tespit edilmiştir. Söz konusu çalışma ile R-CNN mimarisinin ve ResNet101 mimarisinin İHA görüntülerinde nesne (silah) tespitinde ne kadar başarılı olduğu ortaya konulmuştur. | en_US |
| dc.description.abstract | The proliferation of deep learning algorithms today has led to an increase in object detection and recognition applications in images and videos. Object detection and recognition applications have found solutions to many problems in the fields of security, defense, natural disasters (flood, earthquake and fire etc.), health (prevention of the spread of outbreaks etc.), agriculture, forestry in recent years. Regional Based Convolutional Neural Networks (R-CNN) are among the most widely used algorithms in object detection and recognition applications. Region based Convolutional Networks (Fast R-CNN) and faster region based convolutional neural networks (Faster R-CNN) algorithms have been developed in order to assist the detection applications of R-CNN. Another Convolutional Neural Networks (CNN) algorithm used to further increase the success of object detection applications is the ResNet101 algorithm. Especially, ResNet101, which is widely used in image detection, has been preferred to minimize differences such as object detection accuracy rate, object detection time of R-CNN, Fast R-CNN and Faster R-CNN algorithms. In this study, it is aimed to detect objects (weapons) from aerial images taken by unmanned aerial vehicle. In the images obtained, R-CNN were preferred because the correct prediction rate was higher than other R-CNN types in object (weapon) detection. In addition to R-CNN algorithms, the use of ResNet101 algorithm has been tried in this study in order to see its contribution to the correct prediction rate. In this context, training and test data sets were created using 200 images taken from the air with a drone. As a result of the training, the image based result was obtained with R-CNN architecture and ResNet101 architecture with 99% accuracy rate on the data set. With this study, it has been demonstrated how successful the R-CNN architecture and ResNet101 architecture are in the detection of objects (weapons) in unmanned aerial images. | en_US |
| dc.identifier.citation | Burgaz, M. (2020). Derin öğrenme algoritmaları kullanarak insansız hava araçları ile silah tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Fen Bilimleri Enstitüsü, Batman. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/2458 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Batman Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.rights | Attribution-ShareAlike 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-sa/3.0/us/ | * |
| dc.subject | Bölgesel Tabanlı Konvolüsyonel Sinir Ağları | en_US |
| dc.subject | Derin Öğrenme | en_US |
| dc.subject | İnsansız Hava Araçları | en_US |
| dc.subject | Nesne Tespit | en_US |
| dc.subject | ResNet101 Mimarisi | en_US |
| dc.subject | Regional Based Convolutional Neural Networks | en_US |
| dc.subject | Deep Learning | en_US |
| dc.subject | Unmanned Aerial Vehicles | en_US |
| dc.subject | Object Detection | en_US |
| dc.subject | ResNet101 Architecture | en_US |
| dc.title | Derin öğrenme algoritmaları kullanarak insansız hava araçları ile silah tespiti | en_US |
| dc.title.alternative | Weapon detection with unmanned air vehicle images through deep learning algorithms | en_US |
| dc.type | Master Thesis | en_US |
