Evrişimsel sinir ağı kullanılarak insansız hava aracı tespit uygulaması
| dc.contributor.advisor | Yerden, Aytaç Uğur | |
| dc.contributor.author | Koysha, Ahmed Fouad Kadhim | |
| dc.date.accessioned | 2024-06-13T20:11:18Z | |
| dc.date.available | 2024-06-13T20:11:18Z | |
| dc.date.issued | 2023 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description | Lisansüstü Eğitim Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı, Elektrik Elektronik Mühendisliği Bilim Dalı | |
| dc.description.abstract | Bu tez, evrişimsel sinir ağı (ESA) kullanarak insansız hava aracı (İHA) tespiti ve sınıflandırması için yeni bir yaklaşım sunar. Bu çalışmanın amacı, İHA'ların tespitinde ve sınıflandırılmasında doğruluk ve etkinliği artırmak, böylece savunma ve güvenlik alanlarındaki uygulamalar için güvenilir bir araç oluşturmaktır. Son yıllarda hızla gelişen bir teknoloji olmasına karşın, tespiti ve tanımlanması konusunda hala ciddi sorunlar ve meydan okumalar bulunmaktadır. Modern bir nesne algılama modeli olan YOLOv5'i kullanarak yeni bir yaklaşım sunmaktadır. Temel amaç, İHA'ların doğruluğunu ve etkinliğini artırarak savunma ve güvenlik alanlarında güvenilir bir araç geliştirmektir. İHA'ların tespiti ve sınıflandırılması, güvenlik, savunma, hava sahası yönetimi ve endüstriyel uygulamalar gibi birçok alanda büyük öneme sahiptir ve teknolojik gelişmeler, daha güvenli ve verimli bir geleceğe katkı sağlayabilir. Bu nedenle, modern nesne algılama teknikleri, özellikle YOLOv5'in kullanılması hem akademik hem de endüstriyel düzeyde büyük bir katkı sağlamaktadır. Çalışma sürecinde, gerçek hayatta çekilmiş İHA görüntüleri ile sentetik verilerden oluşan bir veri seti oluşturulmuştur. Bu veri seti, özelleştirilmiş bir ESA modelini eğitmek için kullanılmıştır. Eğitim sürecinde, çeşitli hiper parametreler ve faktörler dikkate alınmış ve katmanların dondurulması ve sentetik Gauss gürültüsünün eklenmesi gibi tekniklerin performans üzerindeki etkisi incelenmiştir. Bu metodoloji, İHA tespitinde ve sınıflandırmasında ESA'nin yüksek doğruluk oranlarına ulaştığını göstermiştir. Model, farklı İHA tiplerini doğru bir şekilde tespit edip sınıflandırabilmiştir, bu da gerçek zamanlı tespit ve İHA tabanlı tehditlere karşı savunma sistemlerinin geliştirilmesinde değerli bir araç olduğunu kanıtlamıştır. Sonuç olarak, evrişimsel sinir ağları ve İHA tespiti ve sınıflandırmasındaki zorlukları aşmada etkili bir yol sunan YOLO algoritması, bu tezle öne çıkmaktadır. Bu, İHA'ların güvenlik, savunma ve benzeri alanlarda daha etkin bir şekilde kullanılmasını destekleyecek önemli bilgiler sunmaktadır. | |
| dc.description.abstract | This thesis presents a new approach to unmanned aerial vehicle (UAV) detection and classification using Convolutional Neural Networks (CNNs). The primary aim of this study is to enhance the accuracy and effectiveness of UAV detection and classification, thereby creating a reliable tool for applications in defense and security fields. It introduces a novel approach by utilizing YOLOv5, a modern object detection model. The fundamental objective is to improve the accuracy and effectiveness of UAV detection, thereby creating a reliable tool for defense and security applications. UAV detection and classification hold significant importance in various domains such as security, defense, airspace management, and industrial applications, and technological advancements in this area can contribute to a safer and more efficient future. Therefore, the utilization of modern object detection techniques, particularly YOLOv5, holds great promise in both academic and industrial contexts. During the research process, a comprehensive dataset was compiled, consisting of real-world UAV images and synthetic data. This dataset was used to train a customized YOLOv5 model. Throughout the training process, various hyperparameters and factors were meticulously considered, and techniques like layer freezing and the addition of synthetic Gaussian noise were examined for their impact on performance. This methodology demonstrated that YOLOv5 achieved high accuracy rates in UAV detection. The model accurately detected and classified different UAV types, showcasing its value as a tool for real-time detection and defense against UAV-based threats. In conclusion, the YOLO algorithm offers an effective approach to overcome challenges in CNN-based UAV detection and classification, making it a standout feature of this thesis. It provides valuable insights that support the more efficient utilization of UAVs in security, defense, and related fields. | |
| dc.identifier.endpage | 84 | |
| dc.identifier.startpage | 1 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHMzz1As_bM0t-Pqt3Fs5XEnawcgDz8xbsEKPVK6jaXKw | |
| dc.identifier.uri | https://hdl.handle.net/11501/122 | |
| dc.identifier.yoktezid | 844771 | |
| dc.institutionauthor | Koysha, Ahmed Fouad Kadhim | |
| dc.language.iso | tr | |
| dc.publisher | İstanbul Gedik Üniversitesi | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Evrişimsel Sinir Ağı | |
| dc.subject | Faster RCNN | |
| dc.subject | İnsansız Hava Aracı | |
| dc.subject | Tespit Uygulaması | |
| dc.subject | 3D Modelleme | |
| dc.subject | Convolutional Neural Networks | |
| dc.subject | Faster RCNN | |
| dc.subject | Unmanned Aerial Vehicle | |
| dc.subject | Detection Application | |
| dc.subject | 3D Modelling | |
| dc.subject | Drone Model Classification | |
| dc.title | Evrişimsel sinir ağı kullanılarak insansız hava aracı tespit uygulaması | |
| dc.title.alternative | Unmanned aerial vehicle detection application using convolutional neural network | |
| dc.type | Master Thesis |
Dosyalar
Orijinal paket
1 - 1 / 1
