OTONOM GÜVENLİK KONTROLLERİNDE KULLANILMAK ÜZERE DERİN ÖĞRENME TABANLI SİLAH TESPİT VE TANIMA SİSTEMİ.

Abstract

Elektronik güvenlik sistemleri artan güvenlik kontrol ihtiyacının karşılanabilmesi için günümüzde oldukça önemli hale gelmiştir. Güvenlik kontrollerinde kullanılan gözetim kameraları çeşitli noktalara kurularak suç unsuru oluşturabilecek nesnelerin izinsiz kullanımını tespit etmeye çalışmakta ve bu şekilde suç faaliyetlerinin azaltılmasında güvenlik kuvvetlerine önemli destek sağlanmaktadır. Suç faaliyetlerinin çoğu elde tutulan veya taşınan silahlar vasıtasıyla gerçekleştirilmektedir. Silah cinayet, hırsızlık, yasak av ve terör gibi çeşitli suçlar için kullanılan en önemli suç unsurudur. Gözetleme sistemlerinin takibi dikkatli bir şekilde yapılarak bu tür suç faaliyetleri önlenebilir. Bununla birlikte gözetleme sistemlerinin insan vasıtası ile takibinin yapılması, gerek işgücü kullanımı gerekse insandan kaynaklı nedenlerden dolayı beklendiği oranda efektif olmayabilmektedir. Bu tez kapsamında otonom güvenlik kontrollerinde kullanılmak üzere, insanlar üzerinde silah olup olmadığını tespit eden, ayrıca tespit ettiği silahın öğretilmiş 7 farklı sınıftan hangisine ait olduğunu ayırt edebilen derin öğrenme tabanlı bir yapay zekâ modeli geliştirilmiştir. Bu model hâlihazırda bulunan VGGNet isimli mimariyi temel almakta ve silah sınıflandırması için yeni bir yaklaşım sunmaktadır. Modele saldırı tüfeği, bazuka, el bombası, av tüfeği, bıçak, tabanca ve revolver silah çeşitleri öğretilmiştir. Model, TensorFlow tabanında geliştirilmiştir. Eğitim için gerekli yöntemin belirlenmesi, model katmanlarının oluşturulması, eğitim işleminin uygulanması, eğitimin başarı oranının belirlenmesi ve eğitilen modelin test edilmesi Keras kütüphanesi kullanılarak gerçekleştirilmiştir. Çalışmada geliştirilen modelin eğitimi için 7 farklı silah türünü içeren yeni bir veri seti hazırlanmıştır. Bu veri seti kullanılarak yeni geliştirilen model ile VGG-16, ResNet-50 ve ResNet-101 modelleri karşılaştırılmıştır. Karşılaştırma sonucunda geliştirilen modelin başarı doğruluğu %98,40 ve VGG-16 %89,75, ResNet-50 %93,70, ResNet-101 %83,33 olarak bulunmuş, geliştirilen modelin diğerlerinden daha iyi performans sağladığı görülmüştür.In today, electronic security systems have become very important to meet increased security control needs. Surveillance cameras used in security controls attempt to detect unauthorized use of objects that may constitute a criminal element by installing them at various points, and in this way, significant support is provided to the security forces in reducing criminal activities. Most criminal activities are carried out through hand-held or carried weapons. Weapons are the most important criminal element used for various crimes such as murder, theft, forbidden hunting and terrorism. Such criminal activities can be prevented by carefully monitoring of surveillance systems. In addition, the monitoring of surveillance systems by human means may not be as effective as expected due to both the use of labor and human reasons. In this thesis, a deep learning-based artificial intelligence model has been developed for use in autonomous security controls, which can determine whether there are weapons on humans and also distinguish which of the 7 different classes the weapon it detects belongs to. This model is based on an architecture called VGGNet and offers a new approach to weapon classification. The model was taught the types of assault rifles, bazooka, grenade, hunting rifle, knives, pistols and revolvers. The model was developed on the TensorFlow base. Determination of the necessary method for training, creation of model layers, implementation of the training process, determination of the success rate of the training and testing of the trained model were carried out using the Keras library. A new data set containing 7 different types of weapons have been prepared for the training of the model developed in the study. Using this data set, VGG-16, ResNet-50 and ResNet-101 models were compared with the newly developed model. As a result of the comparison, the success accuracy of the developed model was found to be 98.40% and VGG-16 89.75%, ResNet-50 93.70%, ResNet-101 83.33%, and it was seen that the developed model provided better performance than the others.