SU ALTI ÇÖP TESPİTİ İÇİN YAPAY ZEKÂ TABANLI YÖNTEMLERİN GELİŞTİRİLMESİ

Abstract

Deniz kirliliği dünyadaki en büyük çevre sorunlarından biridir. Günümüzde, okyanus ve denizlerde, yaklaşık 100 ile 150 milyon ton plastik çöpün yüzdüğü tahmin edilmektedir. Bu rakamlara her yıl artmaktadır. Denize bırakılan plastik atıklar asırlarca denizlerdeki varlıklarını sürdürebilmektedirler. Böylece başta deniz canlıları olmak üzere canlıların yaşamlarını olumsuz etkilemektedir. Bu tez çalışmasında, su altı görüntülerinden çöp tespiti için yapay zekâ tabanlı yöntemler geliştirilmiştir. Tez kapsamında su altı görüntüleri üzerinde görüntü işleme, makine öğrenmesi ve derin öğrenme tabanlı yöntemler uygulanmıştır. Önerilen yöntem uygulanması için yeni bir veri seti toplanmıştır. Ayrıca literatürde yaygın olarak kullanılan veri setleri kullanılmış ve internet kaynaklarından farklı görüntülerde toplanmıştır. Önerilen yöntemler birçok veri seti için uygulanmış ve deneysel sonuçlar verilmiştir. Tez kapsamında üç temel noktada bilimsel katkı sunulmuştur. İlk olarak, GLADIUS MINI model kablolu su altı robotu kullanılarak veri seti toplanmıştır. Bu veri seti üzerinde çöpler türlerine göre etiketlenmiştir. YOLO-V4 algoritması kullanılarak 80:20 eğitim test verileri için %88.7 başarı sağlanmıştır. İkinci olarak su altı görüntü sınıflandırma için görüntü işleme ve K En Yakın Komşu Algoritması (KNN) tabanlı bir yöntem önerilmiştir. Önerilen yöntemin test edilmesi ve literatürdeki sonuçlar ile karşılaştırılabilmesi için Trash-ICRA19 veri seti kullanılmıştır. Veri seti kırpma işlemi uygulanmış ve toplamda 11060 görüntüden oluşan bir veri seti elde edilmiştir. Bu görüntüler ön işleme kullanılarak 200×200 piksele dönüştürülmüştür. Yönlü Gradyan Histogramı (HOG) algoritması uygulanılarak, 11060×900 öznitelik vektörleri elde edilmiştir. Elde edilen sonuçlar KNN sınıflandırıcının bu yöntemde kullanılması durumunda % 97.78 doğruluk elde edilmiştir. Üçüncü olarak ise su altı görüntülerini kullanan projektör derin özellik çıkarımı tabanlı çöp görüntü sınıflandırma modeli önerilmiştir. Bu yöntemin çok sayıda görüntü ile test edilmesi için hibrit bir veri seti toplanmıştır. Görüntü üzerinde projektör ResNet101 kullanılarak özellik çıkarımı yapılmıştır. Çıkarılan özellikler birleştirilmiş ve en ağırlıklı özellikler Komşu Bileşen Analizi (NCA) kullanılarak seçilmiştir. Seçilen özellikler KNN algoritması ile sınıflandırılmıştır. Önerilen yöntem ile %99.35 doğruluk hesaplanmıştır. Sonuç olarak, bu yüksek lisans tez çalışması kapsamında su altındaki çöplerin tespit edilmesi için yöntemler önerilmiş ve performans sonuçları sunulmuştur. Tez kapsamında yapılan çalışmalar 1649B022204832 proje numaralı (TÜBİTAK) 2210/C Yurt İçi Öncelikli Alanlar Yüksek Lisans Burs Programı tarafından ve TEKF.22.01 Numaralı FÜBAP yüksek lisans tez araştırma projeleri tarafından desteklenmiştir.Marine pollution is one of the biggest environmental problems in the world. It is estimated that between 100 and 150 million tons of plastic litter are floating in the oceans and seas today. These numbers are increasing every year. Plastic wastes left to the sea can continue their existence in the seas for centuries. Thus, it adversely affects the lives of living things, especially sea creatures. In this thesis, artificial intelligence-based methods have been developed for litter detection from underwater images. Within the scope of the thesis, image processing, machine learning and deep learning based methods were applied on underwater images. A new data set was collected for the application of the proposed method. In addition, data sets commonly used in the literature were used and collected in different images from internet sources. The proposed methods have been applied for many data sets and experimental results are given. Within the scope of the thesis, scientific contributions were made in three main points. First, the dataset was collected using the GLADIUS MINI model wired underwater robot. On this data set, litter is labeled according to its types. Using the YOLO-V4 algorithm, 88.7% success was achieved for the 80:20 training test data. Secondly, a method based on image processing and K Nearest Neighbor Algorithm (KNN) is proposed for underwater image classification. The Trash-ICRA19 dataset was used to test the proposed method and compare it with the results in the literature. The dataset cropping process was applied and a dataset consisting of 11060 images in total was obtained. These images were converted to 200×200 pixels using preprocessing. By applying the Directional Gradient Histogram (HOG) algorithm, 11060×900 feature vectors were obtained. The results obtained have 97.78% accuracy when the KNN classifier is used in this method. Third, a projector deep feature extraction based litter image classification model using underwater images is proposed. A hybrid dataset was collected to test this method with a large number of images. Feature extraction was done on the image using the projector ResNet101. Extracted features were combined and the most weighted features were selected using Neighborhood Component Analysis (NCA). Selected features were classified with the KNN algorithm. 99.35% accuracy was calculated with the proposed method. As a result, methods for detecting underwater litter are proposed and performance results are presented within the scope of this master thesis. The studies carried out within the scope of the thesis were supported by the 2210/C Domestic Priority Areas Graduate Scholarship Program with project number 1649B022204832 (TÜBİTAK) and by the FÜBAP graduate thesis research projects with the number TEKF.22.01.