Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti

Bilişim Enstitüsü, Uydu Haberleşme ve Uzaktan Algılama Programı, İTÜ

Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti

Osman Duman; Mesut Kartal, 2019

Özet: Deniz yollarının ticari/askeri alanda etkin şekilde kullanımı ve kontrolü; devletler için gün geçtikçe daha da artan ve önem arz eden bir husus haline gelmektedir. Bu önemli alanların gözetimi ve denetimi; gözlemci unsurun (gemi, insanlı/insansız hava aracı, vb.) olay yerine direkt olarak gitmesi ve alanı incelemesi suretiyle icra edilebilir, ancak bu şekilde bir yaklaşım ile bölgeye intikal ve kısıtlı görüş açısı/kapsama alanı ile gözlem işlemleri sonucunda zaman sarfiyatına sebebiyet verebileceği gibi savaş, terör veya kriz ortamlarında sıcak bölgeye yakınlığından dolayı gözlemci unsur büyük bir risk altında bulunacaktır. Tam bu noktada uzaktan algılama yöntemleri faydalı çözümler sunmakta, özellikle uydu görüntüleri ile yapılan uzaktan algılama ile operator güvenli bir şekilde, kendini ifşaa etmeden, kısa zamanda büyük alanları inceleyebilmekte ve aradığı unsuru tespit edebilmektedir. Bu çalışma kapsamında, Tensorflow Nesne Tespiti API’sinin nesne tanıma üzerine halihazırda eğitilmiş modellerinin içerisinde gemi resmi bulunduran optik uydu görüntüleri ile eğitilmesi yolu ile optik uydu görüntülerinden gemi tespit eden algoritmalara ilave bir seçenek eklemektir. Gemi tespit metodu tasarlanırken, lisans sorunu yaşanmaksızın her ortamda kullanılabilmesi için sistemin açık kaynak koduna sahip olması, hızlı çalışması ve kullanımının kolay olması hedeflenmiştir. Birinci bölümde, deniz yollarının önemi ve izlenme usulleri hakkında temel bilgilerden, bahse konu alan ile ilgili olarak uzaktan algılama yöntemlerinin kullanımından, yararından ve birbirleri ile karşılaştırılmasından, literatür araştırmasından, tezin konusundan, amacından ve kapsamından bahsedilmiştir. İkinci bölümde, derin öğrenme ve kullanım alanları, yapay sinir ağları ve konvolüsyonel sinir ağları hakkında özet bilgiler verilmiştir. Üçüncü bölümde, tez çalışması kapsamında kullanılan kütüphaneler, modelin eğitilmesi ve deneysel sonuçlardan bahsedilmiştir. Tezin amacı doğrultusunda gemi tespit yazılımının kaynak kodu Python 3.7 yazılım dili ile hazırlanmıştır. Python kütüphaneleri için Anaconda programı kurulmuştur. Derin öğrenme kütüphanesi olarak Google tarafından oluşturulmuş Tensorflow kütüphanesi, bilgisayarlı görü kütüphanesi olarak OpenCV kütüphanesi kullanılmıştır. Eğitilmiş model olarak; Tensorflow Object Detection Model Zoo’dan “faster rcnn inception v2_coco, faster rcnn resnet101_coco, ssd_inception_v2_coco” modelleri kullanılmıştır. Modellerin eğitiminde kullanılan gemi görüntü seti, çözünürlüğü 80 * 80 * 3, RGB bandı, 96 dpi olan 2085 adet görüntüden oluşmaktadır. Modellerin eğitimi Tensorboard arayüzü üzerinden kayıp (loss) grafikleri vasıtasıyla takip edilmiştir. Modeller arasındaki gemi tespit performansı sergileyen modelin gemi tespit performansının artırılması için değişken çözünürlüğe sahip (987 * 804 * 3, 1155*820*3, vb.), ilk gemi görüntü setinin çözünürlüğünden yaklaşık 10 kat büyük, RGB bandı, 96 dpi olan 1056 adet görüntüden oluşan görüntü seti ile model tekrar eğitilmiştir. Bahse konu modelin gemi tespit performansında iyileşme olduğu gözlenmiştir. Dördüncü bölümde sonuçlar ve öneriler kısmı bulunmaktadır.

Tez No: 564955