İNSANSIZ HAVA ARACI TESPİTİ VE SINIFLANDIRILMASI İÇİN DERİN ÖĞRENME TABANLI TEKNİKLERİN GELİŞTİRİLMESİ

Abstract

Günümüzde İHA'lara ilgi artması uygulama alanlarının artması ve yanında otonom uçuş kabiliyetleri nedeniyle oldukça artmaktadır. İHA'ların kullanım alanlarının artması aynı zamanda bu aygıtların birtakım güvenlik sorunlarını da beraberinde getirmektedir. Güvenlik konuları da içyapısı itibarı ile çeşitlendirilebilir. Bu alanlara insan, hayvan, doğa gibi canlıların güvenliği, her türlü askeri güvenlik ve çevresel güvenlik gibi sıralanabilmektedir. Genel olarak kamu veya ulusal güvenlik olarak adlandırılabilmektedir. Dolayısı ile İHA kaynaklı tehditlerin erken tespiti için önlem alınabilmesi önem arz etmektedir. Bu çalışma, kamu güvenliği ile ilgili uçuş halinde olan bir İHA'nın tespitine yönelik yöntemleri incelemek ve yeni yöntemler geliştirmek üzere deneyler ile desteklenmektedir. Bu bağlamda çok yönlü olarak akuistik ve görüntü tabanlı iki yöntem incelenmektedir. Görüntü tabanında You Look Only Once (YOLO) modellerinin karşılaştırılması yapılmaktadır. Literatür taramalarında İHA tespitine yönelik You Look Only Once Representation (YOLOR) ile ilgili her hangi bir çalışmanın ve üretilen bir sonuç olmadığı görülmektedir. Test edilen modeller arasında en etkili sonucun YOLOR ile sağlandığı tespiti sunulmaktadır. YOLOR, çalıştırılan veri kümesi üzerinde %95.6 başarı oranı sağlamaktadır. Diğer bir yaklaşım türü olan akuistik tabanına bağlı olarak İHA'ların seslerini ayırt etmek için gereken ses özelliklerini çıkarmak için Mel Frekans Spektrum katsayıları teknikleri uygulanmaktadır. Özellikleri belirlenen sesler 6 sınıf olmak üzere bu kümelerin sınıflandırılması için hafif ağırlıklı bir evrişimsel sinir ağı modeli önerilmektedir. Önerilen yöntem ile İHA'ları tespit etmek ve uçmakta olan bir İHA'yı kuş, uçak, helikopter, arka plan gürültüsü, fırtına gibi seslerden ayırt etmek mümkün olmaktadır. Deneysel sonuçlar, önerilen yöntemin %98.78 oranında başarılı olduğunu ve literatürde önerilen diğer yöntemlere göre daha iyi sonuçlar elde edildiğini göstermektedir.

Nowadays, the interest in Unmanned Aerial Vehicles (UAVs) is increasing due to the increase in application areas and autonomous flight capabilities. The increase in the usage areas of UAVs also brings some security problems of these devices. Security issues can also be diversified in terms of its internal structure. These areas can be listed as the safety of living things such as humans, animals and nature, all kinds of military security and environmental security. It can be called public or national security in general. Therefore, it is important to take precautions for the early detection of threats originating from UAVs. This study is supported by experiments to examine the methods for detecting a UAVs in flight related to public safety and to develop new methods. In this context, two multidimensional methods, acoustic and image-based, are examined. You Look Only Once (YOLO) models are compared on the image base. In the literature review, it is seen that there is no study and no produced results related to You Look Only Once Representation (YOLOR) for UAVs detection. It is presented that the most effective result among the tested models is provided by YOLOR. YOLOR provides a 95.6% success rate on the run dataset. Mel Frequency Spectrum coefficients techniques are applied to extract the sound characteristics required to distinguish the sounds of UAVs depending on the acoustic base, which is another approach type. A light weighted convolutional neural network model is proposed for the classification of these clusters, with 6 classes of sounds whose properties are determined. With the proposed method, it is possible to detect UAVs and distinguish a flying İHAe from sounds such as bird, airplane, helicopter, background noise and storm. Experimental results show that the proposed method is 98.78% successful and better results are obtained than other methods suggested in the literature.