Yapay zeka tabanlı drone optimizasyonu
Artificial intelligence based drone optimization
- Tez No: 641893
- Danışmanlar: PROF. DR. CEMAL YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda derin öğrenme algoritmalarının kullanımında önemli bir artış göze çarpmaktadır. Uygulamalarda derin öğrenme modellerinden konvolüsyon sinir ağı (CNN) özellikle görüntü işlemede insanlar ve araçlar gibi önemli nesneleri diğer nesnelerden ayırmak için sıklıkla kullanılmaktadır. 2012'de ImageNet Büyük Ölçekli Görsel Tanıma Yarışması'ndan (ImageNet Large Scale Visual Recognition Competition, ILSVRC) sonra, uygulamalarda CNN kullanımı oldukça yaygınlaşmaktadır. Görüntü işleme donanımlarının gelişmesiyle görüntü işleme süreci önemli ölçüde azaltılmaktadır. Bu gelişmeler sayesinde derin öğrenme üzerine yapılan çalışmaların performansı artmaktadır. Kuş bakışı farklı yüksekliklerden drone ile çekilen görüntülerden nesne tespiti oldukça zor olmaktadır. Bu çalışmada, dronlar tarafından çekilen videoda nesneleri (insan, otomobiller, bisikletler ve motosikletler) tespit etmek için bir sistem geliştirilmiştir. Sinir ağının eğitimi ve test edilmesi için, farklı yüksekliklerden kuş bakışı çekilen görüntülerden oluşan bir veri seti hazırlanmıştır. Çalışmada 2015 yılında ImageNet yarışmasında birinci olan Residual Networks (ResNet-50) ağırlıkları kullanılan RetinaNet modeli tercih edilmiştir. Sinir ağını eğitmek için, kullanıcılarına Nvidia Tesla K80 GPU desteği sunan Google'ın açık kaynak ortamı Google Colabratory kullanılmıştır. Bu ortamda, sinir ağının eğitim ve test süreçleri hızlı bir şekilde tamamlanmıştır. Eğitilmiş modelde, nesnelerin tespit işlemi için farklı eşik değerleri kullanılarak performans karşılaştırması yapılmıştır. Bu tez çalışmasının sonuçlarına göre, belirlenen nesnelerin tespitinde f1 skor değeri, 0.4 eşik değeri kullanılarak 0.906 olarak belirlenmiştir.
Özet (Çeviri)
It has attracted attention that significant increase in the use of deep learning algorithms recently. Convolutional neural network (CNN) from deep learning models is frequently used in applications, particularly in image processing to distinguish significant objects such as people and vehicles from other objects. After ImageNet Large Scale Visual Recognition Competition (ILSVRC) at 2012, usage of CNNs in applications has become notably widespread. Image processing process has been significantly reduced with the development of image processing equipment. Thanks to these developments, the performance of studies on deep learning have increased. Object detection has been quite difficult since bird's eye view images are taken by drone from different altitudes. In this study, a system has developed to detection objects (human, automobiles, bicycles and motorcycles) in video taken by drones. A dataset consisting of a bird's eye images taken from different altitudes has prepared in order to the training and testing of the neural network. In the study, the RetinaNet model, in which uses weights of Residual Networks (ResNet-50) was the first in the ImageNet competition in 2015, has preferred. Google Colabratory, the open source platform of Google, which offers Nvidia Tesla K80 GPU support to its users, is used to train the neural network. In this platform, training and testing procedures of the neural network have completed quickly. In the trained model, performance comparison is made by using different threshold values for objects detection process. According to results from this thesis study, f1 score value in specified objects detection is determined as 0.906 by using of 0.4 threshold value.
Benzer Tezler
- Yapay zekâ destekli sürü robotları ile tarım bitkilerinin yetiştirilmesi ve zirai mücadelede kullanılması
Artificial intelligence-based swarm robots for growing agricultural plants and usage in agricultural control
MUHAMMED MUSTAFA KELEK
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YÜKSEL OĞUZ
DOÇ. DR. UĞUR FİDAN
- Afet bölgeleri için iha kullanarak derin öğrenme tabanlı yol optimizasyonu
Deep learning based road optimization using uav for disaster regions
MEHMET SERHAT CEYLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER
- Fractional-order derivative based adaptive methods for control and optimization
Kontrol ve optimizasyon için kesir mertebeli türev tabanlı adaptif yöntemler
MERT CAN KURUCU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
PROF. DR. İBRAHİM EKSİN
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. DİDEM SALOĞLU DERTLİ
- Yapay sinir ağları ile elektronik devre tasarım otomasyonu ve performans optimizasyonuna yönelik yeni yaklaşımlar
Novel approaches to electronic circuit design automation and performance optimization using artificial neural networks
FUNDA DAYLAK
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. İSMAİL SERDAR ÖZOĞUZ