Yapay Zekânın Deniz İstihbaratında Kullanılması ve Türk Deniz Kuvvetleri İçin Görüntü Tabanlı Teşhis Modeli Önerisi
The Use of Artificial Intelligence in Maritime Intelligence and a Proposal for an Image-Based Identification Model for the Turkish Naval Forces
- Tez No: 1015445
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED HAYATİ TABAN
- Tez Türü: Yüksek Lisans
- Konular: Denizcilik, Savunma ve Savunma Teknolojileri, Marine, Defense and Defense Technologies
- Anahtar Kelimeler: Yapay zekâ, deniz istihbaratı, savaş gemisi teşhisi, YOLO, borda numarası, görüntü işleme, silüet tabanlı tanıma, açık kaynak istihbaratı, Artificial intelligence, naval intelligence, warship identification, YOLO, hull number, image processing, silhouette-based recognition, open-source intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Alparslan Savunma Bilimleri ve Milli Güvenlik Enstitüsü
- Ana Bilim Dalı: İstihbarat Çalışmaları Ana Bilim Dalı
- Bilim Dalı: İstihbarat Çalışmaları Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, deniz istihbaratı kapsamında savaş gemilerinin otomatik olarak teşhis edilmesine yönelik, görüntü tabanlı yapay zekâ destekli çok katmanlı bir model önerisi geliştirilmiştir. Çalışmanın ilk aşamasında, açık kaynak istihbaratı (AKİS) yöntemleri kullanılarak Yunanistan Deniz Kuvvetleri'ne ait farklı sınıf ve tipte savaş gemilerinin görüntülerinden oluşan birbirinden farklı fotoğrafları ihtiva eden bir veri seti oluşturulmuş, her bir gemiye ait açık kaynaklarda yer alan web sayfaları manuel olarak belirlenmiş, geliştirilen otomatik veri toplama kodları aracılığıyla gemi bazlı klasörleme yapılarak görüntüler indirilmiştir. Elde edilen veri seti, manuel olarak toplanan ek görüntülerle miktar olarak artırılmış ve gemi bazında ayrıştırılmıştır. İkinci aşamada, oluşturulan veri setinde yer alan görüler üzerinde etiketleme yapmak amacıyla kullanılan MakeSense AI programı vasıtasıyla etiketleme işlemleri yapılmıştır. Bu süreçte, toplam 42 farklı gemi için ayrı sınıflar tanımlanmış ve her bir görüntüde yalnızca borda numarasının bulunduğu bölgeler işaretlenmiştir. Borda numarası içermeyen görüntüler veri setinden çıkarılmış, sistemin borda numarası içermeyen görsellerle eğitilmesinin önüne geçilmiştir. Yinelenen görüntüler otomatik eleme yöntemleriyle temizlenmiştir. Nihai olarak 1079 görüntüden oluşan veri seti %75 eğitim, %15 doğrulama ve %10 test oranlarında ayrılmış ve YOLO tabanlı nesne tespit modeli ile eğitilmiştir. Bu aşamada yalnızca YOLO tabanlı borda numarası tespit modelinin çıktıları kullanılarak gerçekleştirilen testlerde %64 doğruluk oranı elde edilmiştir. YOLO modeli tarafından herhangi bir tespit üretilemeyen görüntüler, ikinci katman olarak sisteme entegre edilen ve bu çalışma kapsamında ayrıca eğitimi gerçekleştirilmeyen, halihazırda Python ortamında mevcut olan optik karakter tanıma ve desen okuma (OCR) modülüne yönlendirilmiştir. Bu modül aracılığıyla yapılan desen okuma işlemlerinin sonuçlara dâhil edilmesiyle birlikte, toplam başarı oranının %68 seviyesine yükseldiği tespit edilmiştir. Üçüncü aşamada, borda numarasına dayalı teşhisin sınırlılıklarını aşmak amacıyla borda numarası içermeyen veya sistem tarafından borda numarası okunamadığı durumlar için RGB görüntüler üzerinden gemi sınıfı tanıma modeli geliştirilmiştir. Geminin borda numarasının bulunduğu bölge değil, geminin tamamını kapsayacak şekilde etiketleme yapılmış, 13 farklı gemi sınıfı sisteme tanımlanmış, toplam 1372 fotoğraftan oluşan veri seti %75 eğitim, %15 doğrulama ve %10 test oranlarında ayrılmış ve yalnızca“eğitim”ve“doğrulama”veri tabanında bulunan görseller kullanılarak ikinci bir YOLO modeli eğitilmiştir. Söz konusu modelde, borda numarası içermeyen görüntüler de veri setine dâhil edilmiştir. Test klasöründe yer alan tüm görüntüler, sırasıyla sistemde test edilmiş, her bir görüntü için üretilen çıktılar kaydedilmiştir. Testler sonucunda modelin %94,23 doğruluk oranında sınıflandırma yaptığı tespit edilmiştir. Dördüncü ve son aşamada ise aynı veri setine ait gemi görüntülerinden silüetler üretilmiş, çevresel unsurlardan arındırılmış siyah-beyaz silüet görüntüleri kullanılarak üçüncü bir YOLO modeli eğitilmiştir. Silüet tabanlı modelin performansını değerlendirmek amacıyla, test klasöründe yer alan tüm görseller önce sınıf bazında ayrılmış sonrasında sisteme sırasıyla sorulmuş ve her bir görsel için sistem çıktıları ayrı ayrı kaydedilmiştir. Bahse konu değerlendirme sonucunda modelin test veri setindeki görselleri %93,43 oranında doğru sınıflandırdığı tespit edilmiştir. Test için ayrılan görsel veriler üç modelde de yapay zeka eğitim sürecine dâhil edilmemiştir. Geliştirilen sistem, üç yapay zeka modelini de ardışık bir boru hattı (pipeline) yapısı içerisinde birleştirmektedir. Sistem öncelikle borda numarası tespiti yapmakta, başarısız olunması hâlinde OCR tabanlı desen okuma aşamasına geçmekte, burada da sonuç alınamaması durumunda RGB tabanlı teşhis modelini devreye sokmaktadır. RGB tabanlı teşhis modelinin de başarısız olması durumunda veya elde edilen teşhis oranının güvenilirlik değeri belirlenen eşik değerin altında kaldığında (%55 olarak belirlenmiştir) veya tespit edilemediğinde silüet tabanlı model devreye girmektedir. Elde edilen çıktılar, nihai karar alma yetkisi operatörde olmak üzere karar alma sürecini desteklemek amacıyla operatöre sunulmaktadır.
Özet (Çeviri)
In this thesis, a multi-layered, image-based artificial intelligence model is proposed for the automatic identification of warships within the scope of naval intelligence. In the first stage of the study, a dataset consisting of diverse images of warships belonging to different classes and types of the Hellenic Navy was created using open-source intelligence (OSINT) methods. For this purpose, publicly available web sources associated with individual vessels were manually identified, and images were collected through custom-developed automated data acquisition scripts. The collected images were organized on a ship-specific basis, further expanded with manually gathered visuals, and subsequently separated according to individual platforms. In the second stage, labeling operations were performed on the images using the MakeSense AI annotation tool. During this process, separate classes were defined for a total of 42 different ships, and only the regions containing hull numbers were annotated in each image. Images that did not include hull numbers were removed from the dataset in order to prevent the model from being trained on irrelevant visual content. Duplicate images were eliminated through automated filtering procedures. As a result, a dataset consisting of 1,079 images was obtained and divided into training (75%), validation (15%), and test (10%) sets, which were then used to train a YOLO-based object detection model. Tests conducted using only the outputs of the YOLO-based hull number detection model resulted in an accuracy rate of 64%. Images for which the YOLO model failed to produce any detection were forwarded to a second processing layer consisting of an optical character recognition and pattern reading (OCR) module. This OCR module was already available in the Python environment and was not separately trained within the scope of this study. When the OCR-based pattern recognition results were incorporated into the evaluation, the overall success rate increased to 68%. In the third stage, in order to overcome the limitations associated with hull-number-based identification, an RGB-based ship class recognition model was developed for cases in which hull numbers were absent or could not be detected by the system. Instead of labeling only specific regions, annotations were applied to cover the entire ship structure. Thirteen different ship classes were defined, and a dataset consisting of 1,372 images was created. This dataset was divided into training (75%), validation (15%), and test (10%) sets, and a second YOLO model was trained using only the images contained in the training and validation sets. Images without visible hull numbers were also included in this dataset. All images in the test set were processed sequentially by the system, and the outputs generated for each image were recorded. The evaluation results indicated that the RGB-based model achieved a classification accuracy of 94.23%. In the fourth and final stage, silhouettes were generated from the same ship image dataset. Using these black-and-white silhouette images, which were stripped of environmental background elements, a third YOLO model was trained. To assess the performance of the silhouette-based model, all test images were first grouped by class and then sequentially processed by the system, with the corresponding outputs recorded individually. The results of this evaluation showed that the silhouette-based model correctly classified the images in the test dataset with an accuracy rate of 93.43%. The visual data reserved for testing were not included in the training process of any of the three artificial intelligence models. The developed system integrates all three models into a sequential pipeline architecture. The system initially attempts hull number detection; if this step fails, it proceeds to the OCR-based pattern recognition stage. In cases where no result is obtained from the OCR stage, the RGB-based classification model is activated. If the RGB-based model also fails to produce a reliable output, or if the confidence score falls below the predefined threshold of 55%, the silhouette-based model is engaged. The resulting outputs are presented to the operator for the purpose of supporting the decision-making process, while the final decision authority remains with the human operator.
Benzer Tezler
- Buğdayda farklı melezleme teknikleri kullanarak tohum tutma oranının saptanılması
Başlık çevirisi yok
İSMAİL TÜZÜN
Yüksek Lisans
Türkçe
1986
ZiraatUludağ ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. HALİS RUHİ EKİNGEN
- Sivas yöresinde akraba evliliği yapan ve yapmayan çiftlerde dermatoglifik benzerlikler
Similarities of dermataoglyphies among individval of married relatives and married couples not related to each other in Sivas region
Y. SELMA SÜNGÜ
Yüksek Lisans
Türkçe
1984
Tıbbi BiyolojiCumhuriyet ÜniversitesiTıbbi Biyoloji ve Genetik Ana Bilim Dalı
YRD. DOÇ. DR. İLHAN SEZGİN
- Akaryakıtla çalışan endüstriyel tav fırınlarında yanma, sıcaklık ve basıncın optimum kontrolu
Optimum control of combustion temperature and pressure in industrial tempering furnaces working with fuel-oil
MEHMET EROĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL ERCAN
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. METİN TALİM