Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması

Basit Öğe Kaydı
dc.contributor.advisorAyan, Enes
dc.contributor.authorTürker, Mehmet Sami
dc.date.accessioned2025-01-21T16:00:37Z
dc.date.available2025-01-21T16:00:37Z
dc.date.issued2024
dc.departmentKKÜ, Fen Bilimleri Enstitüsü, Savunma Teknolojileri Ana Bilim Dalı
dc.descriptionFen Bilimleri Enstitüsü, Savunma Teknolojileri Ana Bilim Dalı
dc.description.abstractUzaktan algılama, yüzeydeki objeleri ve olayları uzaktan gözlemleme ve analiz etme teknolojisidir. Bu yöntemle genellikle uydular, dronlar veya hava araçları gibi platformlar üzerinden çeşitli elektromanyetik dalgalar kullanarak veriler toplanır. Toplanan veriler, optik, kızılötesi veya radar sensörleriyle elde edilen görüntüler şeklindedir ve bu görüntüler çevresel değişikliklerin izlenmesi, tarım verimliliğinin artırılması, şehir planlaması, doğal afetlerin yönetimi, savunma sistemleri ve iklim değişikliği gibi pek çok alanda kullanılabilir. Uzaktan algılama yöntemleri ile elde edilen veri setleri derin öğrenme yöntemleri kullanılarak geniş alanların veri analizi ve bilgi çıkarımı için kullanılmaktadır. Bu sayede geniş alanların hızlı ve etkili bir şekilde değerlendirilmesini sağlanarak, birçok sektörde bilgi ve karar destek sistemlerine katkıda bulunur. Derin öğrenme algoritmaları, uzaktan algılama veri setlerinde nesne tanıma, değişim tespiti ve sınıflandırma gibi görevlerde yüksek doğruluk ve otomasyon sağlamaktadır. Uzaktan algılama yöntemlerinden biri olan optik uydu görüntüleri gemilerin otomatik tespiti ve sınıflandırılması, deniz trafiği yönetimi, çevre kirliliğinin izlenmesi, uyuşturucu kaçakçılığı, göçmen kaçakçılığı, sınır ihlalleri ve meydana gelebilecek diğer suçların takibi açısından kritik bir araştırma alanıdır. Son yıllarda, derin öğrenme algoritmalarının popüler hale gelmesiyle birlikte, Evrişimli Sinir Ağları (ESA) nesne algılama ve sınıflandırma gibi bilgisayarlı görme problemlerinde başarılı sonuçlar elde etmiştir. Bu çalışma kapsamında bilgisayarlı görü problemlerinde nesne tespit görevlerinde kullanılan You Only Look Once (YOLO) tabanlı dokuz on bir farklı mimari (YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7tiny, YOLOv7, YOLOv9c, YOLOv9m, YOLOv9s, YOLOv9t, YOLOv7-CBAM) kullanılmıştır. Söz konusu mimariler transfer öğrenme yöntemi ile optik uydu görüntüleri ile gemileri tespit edebilmeleri için eğitilmiştir. Eğitim sonrası mimarilerin uydu görüntülerinden gemileri tespit edebilme ve sınıflandırma performansları kesinlik, duyarlılık, mAP (ortalama kesinlik) ve F1 skor ölçütleri kullanılarak karşılattırılmıştır. Elde edilen test sonuçlarına YOLOv5l modelinin 0.984 kesinlik, 0.984 duyarlılık, 0.991 mAP ve 0.984 F1 skor değeri elde ederek diğer modeller arasında en başarılı model olmuştur. Çalışmada sonuç olarak özellikle büyük modellerin tespit performansının daha iyi olduğu gözlemlenmiştir. Çalışmada ayrıca kullanılan dikkat mekanizmasının YOLOv7 modelinde F1 skor ölçütünde %5,4 oranında bir iyileştirme sağladığı tespit edilmiştir. Çalışma sonuçlarına göre YOLO tabanlı mimarilerin uydu görüntülerinden gemi tespiti ve sınıflandırmada umut vadedici sonuçlar elde ettiği bulunmuştur. Anahtar Kelimeler: Uzaktan algılama, Nesne Tespiti, YOLO, Evrişimli Sinir Ağları, Gemi Tespit ve Sınıflandırma, Derin Öğrenme.
dc.description.abstractRemote sensing is the technology of observing and analyzing objects and events on the surface from a distance. This method entails the collection of data through the utilization of diverse electromagnetic waves, typically from platforms such as satellites, drones or aircraft. The data collected are in the form of images obtained with optical, infrared or radar sensors. These images can be used in a number of areas, including monitoring environmental changes, increasing agricultural productivity, urban planning, management of natural disasters, defense systems and climate change. The data sets obtained through remote sensing methods are employed for the analysis of data and the extraction of information from extensive areas through the utilization of deep learning techniques. In this way, it contributes to the development of information and decision support systems in a number of sectors, providing a rapid and effective means of evaluating large areas. Deep learning algorithms facilitate high accuracy and automation in tasks such as object recognition, change detection and classification in remote sensing data sets. Optical satellite imagery represents a crucial domain of remote sensing research, offering significant potential for automated detection and classification of maritime vessels, management of maritime traffic, monitoring of environmental pollution, detection of drug and migrant smuggling, and identification of border violations and other criminal activities. In recent years, the proliferation of deep learning algorithms has led to the successful application of Convolutional Neural Networks (CNNs) in a range of computer vision problems, including object detection and classification. In this study, nine eleven distinct You Only Look Once (YOLO) based architectures were employed for object detection tasks in computer vision problems, namely YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7tiny, YOLOv7, YOLOv9c, YOLOv9m, YOLOv9s, and YOLOv9t, as well as YOLOv7-CBAM. The architectures were trained to detect ships from optical satellite images using a transfer learning method. Following the training phase, the performance of the architectures in detecting and classifying ships from satellite images was evaluated using a series of performance metrics, including precision, sensitivity, mAP (mean average precision), and F1 score. The results of the test demonstrated that the YOLOv5l model exhibited the highest degree of success, attaining precision, sensitivity, mAP, and F1 score values of 0.984, 0.984, 0.991, and 0.984, respectively. It was thus observed that the detection performance of the larger models was superior. Furthermore, it was observed that the attention mechanism employed in the study yielded a 5.4% enhancement in the F1 score criterion for the YOLOv7 model. The findings of the study indicate that YOLO-based architectures demonstrate considerable potential for effective ship detection and classification from satellite images. Keywords: Remote sensing, Object Detection, YOLO, Convolutional Neural Networks, Ship Detection and Classification, Deep Learning.
dc.identifier.endpage76
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=usXiZIM9Lp0wk-YzRoaT-1MKNdl68WTZo_Aa1cQb5vCONO-CXFz0uuZivV33v61L
dc.identifier.urihttps://hdl.handle.net/20.500.12587/20729
dc.identifier.yoktezid887151
dc.language.isotr
dc.publisherKırıkkale Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241229
dc.subjectSavunma ve Savunma Teknolojileri
dc.subjectDefense and Defense Technologies
dc.titleDerin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması
dc.title.alternativeDetection and classification of ships from satellite images using deep learning methods
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu