Geri Dön

DRONE AND BIRD CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORKS

EVRİŞİMSEL SİNİR AĞI YÖNTEMİ İLE İNSANSIZ HAVA ARACI VE KUŞ SINIFLANDIRMASI

  1. Tez No: 633654
  2. Yazar: EDA KARALA
  3. Danışmanlar: DOÇ. DR. BEHÇET UĞUR TÖREYİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yapay zeka, görevleri yerine getirmek için insan zekasını taklit eden ve topladıkları bilgilere göre yinelemeli olarak kendilerini iyileştirebilen makineler anlamına gelmektedir. Makine öğrenmesi ise programlanmadığı sonuçları bile açığa çıkarabilen bir tür yapay zeka olarak kabul edilmektedir. Makine öğrenmesi, giriş verisini alabilen algoritmaları oluşturup çıktılarını yeni veriler ortaya çıktıkça güncellerken bir çıktıyı tahmin etmek için istatistiksel analizi kullanan yöntemdir. Makine öğrenme yöntemlerinden biri derin öğrenme yöntemidir. Derin öğrenme ile yapay zeka alanında yeni bir yaklaşım ortaya atılmaktadır. Derin öğrenme, verilen bir veri kümesi ile çıktıları tahmin edecek yapay zekayı eğitmemize olanak sağlamaktadır. Yapay sinir ağlarının ileri düzeyli bir yaklaşımı olarak ele alınmaktadır. Tek katmanlı yapay sinir ağlarından çok katmanlı yapay sinir ağlarına ve sonrasında derin öğrenme algoritmalarının oluşumuna doğru ilerlemektedir. Derin öğrenme, özellik ve görevlerini doğrudan veriden öğrenen bir yöntemdir. Derin öğrenmeyi geleneksel sinir ağlarından ayıran birden fazla gizli katmanının bulunmasıdır. Ayrıca derin öğrenmede veriler ses, görüntü veya metinden oluşabilir. Derin öğrenme ile birçok alanda ilerleme sağlanmaktadır. Görüntü ve ses analizleri, robotik, otonom sistemler, tıp alanındaki hastalık teşhisleri gibi birçok alanda etkili olmaktadır. Yüksek başarım sonuçları ile yaygın kullanım alanı oluşturmaktadır. Derin öğrenme algoritmaları içerisinde başarım oranının artırılması örnek sayısının çok olması ile ilişkilidir. Örnek sayısı artıkça sonuçların daha iyi olduğu görülmektedir. Aynı zamanda örnek sayısının artmasıyla veri seti de büyümektedir. Bu sebeple derin öğrenme içerisinde yapılan işlemler yüksek başarıma sahip bilgisayarlarda yapılmaktadır. Görüntü işleme konusunda son yıllarda birçok çalışma yapılmıştır. Bu çalışmalarda kullanılan yöntemlerin hız ve doğruluk konusundaki başarıları her geçen gün artmaktadır. Bu artışta en önemli rolü derin öğrenme algoritmaları oynamaktadır. Bu çalışmada insansız hava aracı tespiti yapılırken bu duruma kuşların etkisi incelenmektedir. İnsansız hava araçlarını üretmek için kullanılan teknoloji alanındaki hızlı gelişme ile askeri, ticari veya eğlence amaçlı üretilen insansız hava aracı sayıları her geçen gün keskin bir şekilde artmaktadır. Bu durum önemli güvenlik ve gizlilik tehditleri oluşturmaktadır. Bu tehditleri minimum düzeyde tutabilmek için insansız hava araçlarının varlığını mümkün olduğunca erken tespit etmek gerekmektedir; fakat öngörülemeyen hareketler, uzaktan bakıldığında kuşlara benzemeleri gibi sebepler insansız hava araçlarının tespit edilmesini zorlaştırmaktadır. Ayrıca kuşların ve insansız hava araçlarının benzer fiziksel boyutlara sahip olmaları, benzer irtifa ve hızlarda uçmaları sebepleriyle kuş ve insansız hava araçlarının tespiti karıştırılmaktadır. Özellikle kuş popülasyonlarının büyük olabileceği denizcilik alanlarında bu durum daha da zor olmaktadır. Radarlar insansız hava araçlarını tespit ettiğinde ortamda kuşlardan kaynaklı ölçümler de bulunmaktadır. Bu sorunu çözmek için küresel konumlandırma sistemleri, radyo dalgaları, kızılötesi veya ultrason sinyalleri gibi sensör türleri kullanılmaktadır; fakat sorunu çözmek için bu sensör türleri yeterli değildir. Bu çalışmada uçan kuşlardan gelen ekoların insansız hava araçlarının tespit edilmesinde nasıl zorluklar çıkardığı incelenmektedir. Kuşların ve insansız hava araçlarının uçuş özeliklerinin, radar kesit alanlarının ne kadar benzer olduğu incelenmektedir. Bu çalışmada derin öğrenme kullanarak video görüntülerine dayalı insansız hava aracı ve kuş algılama çerçevesi önerilmektedir ve çalışmada derin öğrenme konusuyla ilgili ayrıntılı bilgi verilmektedir. Evrişimli sinir ağlarının mimarileri incelenip bu kapsamda çalışmalar yapılıp karşılaştırılmaktadır. Evrişimli sinir ağları en yaygın kullanılan derin öğrenme yöntemlerindendir. Evrişimli sinir ağları, 2012 yılında ImageNet Büyük Ölçekli Görsel Tanıma Yarışmasında birinci olan AlexNet algoritmasında kullanıldıktan sonra, popülerlik kazanmaya başlamıştır. 2013 yılında ZFNet, 2014 yılında VGGNet ve GoogleNet, 2015 yılında ResNet gibi yöntemler literatüre dahil edilmiştir. Evrişimsel sinir ağının konvolüsyon katmanı, ReLu katmanı, havuzlama katmanı, Dropout katmanı, tam bağlantılı ve sınıflandırma katmanları hakkında detaylı anlatım yapılmaktadır. Bu katmanlar kullanılarak özellik haritası çıkarımı sağlanmaktadır. Ayrıca katmanlar sayesinde oluşturulan ağdaki uyumsuzluklar ortadan kaldırılmaktadır. Katmanların farklı düzey kullanımları ile ağın performansı arttırılmaktadır. Evrişimsel sinir ağının çeşitli temel mimarilerinden bu çalışmada bahsedilip AlexNet ve YOLOv2 mimarileri kullanılmaktadır. Modeli eğitmek için Drone-Vs-Bird challange [12] veri seti kullanılmaktadır. Bu veri seti, farklı zamanlarda çekilen 6 MPEG4 kodlu videodan oluşmaktadır. 220 insansız hava aracı görüntüsü ve 1171 kuş görüntüsü olarak toplam 1391 görüntüden oluşmakta ve tüm görüntüler 1920X1080 çözünürlüğüne sahip olmaktadır. Çalışmada veri seti 3'e bölünerek eğitim verisi, doğrulama veri seti ve test veri seti olarak kullanılmaktadır. Eğitim veri seti ile girdi özelliklerine karşı çıktı özellikleri elde edilmektedir. Doğrulama veri seti ile eğitim aşamasında elde edilen modelin performansı arttırılmaya çalışılmaktadır. Ayrıca bu veri seti hangi modelin daha iyi olduğunu belirlemek ve modeller için en uygun parametreleri ayarlamak için kullanılmaktadır. Test veri seti ile modelin gelecekteki performansı değerlendirilmektedir. Derin öğrenme algoritmaları, etiketlenmiş bir örüntü üzerinden öğrenme işlemini yaparken örüntü üzerindeki tüm pikselleri giriş verisi olarak algılamaktadır. Giriş verileri, örüntünün gri ya da renkli olmasına göre değişmektedir. Renkli bir görüntü modele giriş olarak verildiğinde kırmızı, yeşil ve mavi frekansların tamamı kullanılacağından mevcut pikselin 3 katı kadarı giriş verisi olarak kullanılmaktadır. Gri tonlu bir görüntüde ise giriş 8 verisi piksel sayısı kadardır. Sinir ağları tıpkı insan beyni gibi nöronlardan oluşmaktadır. Tüm nöronlar birbirine bağlıdır ve çıktıyı etkilemektedir. Nöronlar giriş katmanı, gizli katmanlar ve çıktı katmanından meydana gelmektedir. Detayları tezin ilerleyen bölümlerinde verilmektedir. Sinir ağları, gerçek çıktı değerleri ile istenilen çıktı değerleri arasındaki hataları nöronların hiper parametre değerlerini ayarlayarak öğrenme sürecini gerçekleştirmektedir. Ağda elde edilen doğruluk değerleri için uygun hiper parametre seçimleri yapılmaktadır. Evrişimli sinir ağlarında, standart model eğitim sürecinde veriden eğitim ile doğrudan öğrenilen model parametreleri olduğu gibi, veriden doğrudan öğrenilemeyen ve önceden tasarımcı tarafından tanımlanması gereken parametreler bulunmaktadır. Sınıf ve örneklem sayısı, filtre sayısı, filtre boyutu, aktivasyon fonksiyonu, eniyileme, öğrenme katsayısı, paket boyutu gibi hiper parametreler kullanılmaktadır. Sinir ağı eğitilirken ileri yayılım ve geri yayılım yapılarak tüm ağırlıklar standardize edilmektedir. Çalışmada AlexNet ve YOLOv2 mimarilerini temel alan yaklaşımların katmanları, eğitim süreçleri detaylı olarak verilmektedir. Çalışmada evrişimli sinir ağı mimarilerinde kullanılan hiper parametre değerleri detaylı olarak verilmektedir. Analizler yapılarak optimum değerler ile elde edilen sonuçlar karşılaştırılmalı şekilde¸ sunulmaktadır. Derin öğrenme hakkında detaylı bilgi Bölüm 2'de verilmektedir. Hedef tespiti ve hedef tespitinde kullanılan mimariler ise Bölüm 3'te anlatılmaktadır. Kullanılan veri kümeleri, eğitimin nasıl yapıldığı ve deneysel sonuçlar Bölüm 4'te verilmektedir. Son olarak Bölüm 5'te bu çalışmanın sonucu irdelenmektedir.

Özet (Çeviri)

The number of drones produced for various purposes like martial, trading, technology increase day by day. This situation causes significant security and special threats. Therefore, it is essential to detect drones early. Birds make it difficult to detect drones due to unpredictable movements, similar to birds when viewed from a distance. The detection of birds and unmanned aerial vehicles is confused because they have similar physical dimensions to unmanned aerial vehicles and fly at similar altitudes and speeds. When radars detect unmanned aerial vehicles, there are also measurements of birds in the environment. This situation is more difficult particularly in seamanship areas that bird populations can be huge. Various types of signals using radio waves and infrared are used to figure out this problem, but these sensors were not enough to figure out the trouble. This study examines how echoes from flying birds cause difficulties in the detection of drones. How similar the flight characteristics and radar cross-section areas of birds and unmanned aerial vehicles are examined. Drone and bird detection framework based on video images using deep learning is proposed in this study. Exhaustive information is given about deep learning. In this study, firstly the historical stages of deep learning were mentioned. The structure and layers of CNN architecture, which was accepted as the fundamental architecture of deep learning, were given with details. The effects of each layer on the model were mentioned. Convolutional neural network which are convolution layer, ReLu layer, pooling layer, dropout layer, fully connected layer and classification layer are explained. Feature map extraction is provided by using these layers. In addition, incompatibilities in the network created by layers are eliminated. The performance of the network is increased by making different combinations of layers. Various basic architectures of the convolutional neural network are mentioned in this study. Architecture of AlexNet and YOLOv2 is used and their results is compared in this study. . Principally, pre-processing data was a common first step in the deep learning workflow to prepare raw data to account. Annotiations divided the image to grid of cells. The bounding box and object class were obtained bu using these cells. AlexNet and YOLOv2 architecture were used for classify drones and birds. After defining the network structure, training options were specified. Drone-Vs-Bird challange dataset [12] is used to train model. This dataset is consists of 6 MPEG4 videos created at various time. 1391 frames as 220 drone images and 1171 bird images are obtained this videos and all images have a resolution of 1920X1080. Detailed information about deep learning is given in Chapter 2. Object detection and the architectures used in object detection is mentioned in Chapter 3. The datasets, training details and the experimental results are given in Chapter 4. Finally, conclusions of this study is given in Chapter 5.

Benzer Tezler

  1. Tez No

    965512

    Evrişimli sinir ağları kullanarak video verileri üzerinde drone tespiti

    Drone detection on video data using convolutional neural networks

    BÜŞRA ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULLAH ERHAN AKKAYA

  2. Tez No

    895495

    FMCW radar verilerinin makine öğrenmesi yöntemleri ile sınıflandırılması

    Classification of targets by using FMCW radar data with machine learning methods

    EMRE CAN ERTEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. SELDA GÜNEY

  3. Tez No

    897922

    Güneş paneli kusurlarının derin öğrenme tabanlı sınıflandırılması

    Classification of solar panels defects based on deep learning

    SEBAHATTİN YİĞİT LERMİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUĞBA ÖZGE ONUR

  4. Tez No

    401

    Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği

    The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning

    NEVİN TURGUT

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Şehircilik ve Bölge PlanlamaGazi Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    YRD. DOÇ. DR. NURCAN UYDAŞ

  5. Tez No

    252

    İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar

    Başlık çevirisi yok

    BAHAR TÜRKYILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Şehircilik ve Bölge PlanlamaEge Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

Geri Dön