GÖMÜLÜ SİSTEM PLATFORMU ÜZERİNDE GÖRÜNTÜ İŞLEME TEKNİKLERİNİN UYGULANMASI

Abstract

Gömülü sistemler, görüntü işleme teknikleri ve derin öğrenme algoritmaları, nesne tanıma, robotik uygulamalar, savunma sanayi için geliştirilen otonom ve uzaktan kontrol edilebilen sistemler, medikal uygulamalar, yüz tanıma ve araç plaka okuma gibi uygulamalarda kullanılmaktadır. Gömülü sistem uygulamalarında tasarıma bağlı olarak algoritmaların boyutu ve karmaşıklığı artmaktadır. Özellikle gerçek zamanlı görüntü işleme uygulamalarında işlem yükü, algoritmaların hafızada kapladığı alan ve güç tüketimi daha çok artmaktadır. Bu yüzden, tasarımın en uygun donanım yapısında gerçeklemesi büyük önem arz etmektedir. Bu tez kapsamında uygun gömülü sistem platformlarının seçimleri ile gerçekleştirilebilecek görüntü işleme uygulamaları hakkında detaylı bilgiler verilmektedir. Bilgisayar tabanlı yazılım programları, Raspberry Pi ve FPGA gömülü sistem platformlarında, yapay zeka modelleri kullanılarak uygulamalar gerçekleştirilmiştir. İlk olarak temel görüntü işleme algoritmalarını farklı yazılım dilleri ve platformlarında geliştirilerek uygulamalar gerçekleştirilmiştir. Tez kapsamında gerçekleştirilen uygulamaların bilimsel katkıları ve yenilikleri; bu tez kapsamında görüntü işleme algoritmalarının gömülü sistem platformlarında gerçek zamanlı uygulanabilirliği araştırılmış ve geliştirilmiştir. Bu uygulamaların akıllı sistemler haline dönüştürülmesi için derin öğrenme modelleri, karşılaştırmalı sonuçlar ile geliştirilmiştir. Görüntü üzerinde özellik çıkarımı ve akciğer x-ışını görüntülerinde virüslü bölgenin teşhisi için yeni bir normalizasyon tekniği önerilmiştir. X-ışını görüntülerinde Covid-19 virüsü tespitini derin öğrenme modelleri kullanarak, önerilen normalizasyon tekniği ile Covid-19 virüsü tespit etme oranı %83.01'den %96.16'ya çıkartılmıştır. Ayrıca, tez kapsamında geliştirilen görüntü işleme teknikleri ve derin öğrenme modelini kullanarak farklı koşullar altında elde edilen görüntüler üzerinde araç plaka tanıma işlemleri gerçekleştirilmiş ve bu uygulamaların performansları deneysel sonuçlar ile doğrulanmıştır.

Image processing and embedded systems are used in many applications such as object recognition, robotic applications, autonomous and remote control systems developed for the defense industry, medical applications, face recognition, and vehicle license plate recognition. The size and complexity of the design depend on the algorithms. Therefore, the design must be implemented in the most suitable hardware structure. Especially, Power consumption, desired memory space, and speed of processing are crucial in real-time image processing applications. In the scope of this thesis, image processing applications that can be executed with appropriate embedded system selections have been developed. The Applications were carried out using artificial intelligence models on computer-based software programs, Raspberry Pi, and FPGA embedded system platforms. In the first step, basic image processing algorithms were implemented in different software languages and related embedded platforms. Scientific contributions and innovations of the applications carried out within the scope of the thesis; real-time applicability of image processing algorithms on embedded system platforms was investigated and developed. Deep learning models have been developed with comparative results in order to transform these applications into smart systems. A new normalization technique is proposed for feature extraction on the image and diagnosis of the infected region on x-ray images. The rate of detecting the Covid-19 virus was increased from 83.01% to 96.16% with the proposed normalization technique by using deep learning models to detect the Covid-19 virus in X-ray images. In addition, using the image processing techniques and deep learning model developed within the scope of the thesis, car license plate recognition processes were performed on the images obtained under different conditions, and the performances of these applications were verified with experimental results.