Abstract
Günümüzde, İnsansız Hava Araçları(İHA) sınır güvenliği, sahil güvenliği, savunma, saldırı başta olmak üzere arama kurtarma, zirai ilaçlama, yangın söndürme gibi geniş bir kullanım alanına sahiptir. Bununla beraber İHA’nın bazı görevleri otonom bir şekilde yerine getirebilmesi ise bilgisayarlı görü sisteminin buna entegresi ile olur. Bu alandaki uygulamalarından biri olan havadan nesne tespiti uygulamaları, uzaklık, yakınlık kavramlarına bağlı olarak farklı boyutlardaki nesneleri tespit edememe, yavaş tespit, yanlış tahminleme gibi çeşitli hatalar içerebilir. Derin Öğrenme(DÖ) uygulamaları ile bu hataları en aza indrilebilir. Bu çalışmada VRAT[1] video setinden alınan görüntülerle YOLOv3 DÖ ağı eğitilmiş ve daha sonra DJI Mavic 2 Zoom İHA kamerasından elde edilen görüntülerle tekrar eğitim yapılarak videodaki araçların ve yayaların tespiti sağlanmıştır. Eğitim ve test süreci Google Colab Tesla T4 GPU makinesinde gerçekleştirilmiştir. Modelin performansı ilk ve ikinci eğitim için Loss, mAP 2.345, %79 ve 1.171, %70.09 olarak bulunmuştur.
Publisher
Dicle Universitesi Muhendislik Fakultesi Muhendislik Dergisi
Reference10 articles.
1. [1] The Virat Video Dataset, 11 Jan 2012. Erişim Tarihi: 18 Mayıs 2020. https://viratdata.org/
2. [2] O. Bayraktar , F. Özdemir , Ö. Çetin ve G. Yılmaz , "İnsansız Hava Araçları İçin Otonom İniş Sistemi Simülatörü Tasarımı", lişim Teknolojileri Dergisi, c. 5, sayı. 2, ss. 1-8, Mayıs 2012.
3. [3] B. Bender, M. E. Atasoy ve F. Semiz, “Deep Learning-Based Human and Vehicle Detection in Drone Videos”, 2021 6th International Conference on Computer Science and Engineering (UBMK), (pp. 446-450), September 2021.
4. [4] Bayhan, Erdem, et al. "Deep Learning Based Object Detection and Recognition of Unmanned Aerial Vehicles." 2021 3rd International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). IEEE, 2021.
5. [5] T. Tang, Z. Deng, S. Zhou, L. Lei ve H. Zou, “Fast vehicle detection in UAV images”, 2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP), (pp. 1-5), May 2017.