Bilgilendirme: Sürüm Güncellemesi ve versiyon yükseltmesi nedeniyle, geçici süreyle zaman zaman kesintiler yaşanabilir ve veri içeriğinde değişkenlikler gözlemlenebilir. Göstereceğiniz anlayış için teşekkür ederiz.

Elektrik Elektronik Mühendisliği Bölümü Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12416/2057

Browse

Browsing Elektrik Elektronik Mühendisliği Bölümü Tezleri by Author "Çimen, Umut"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Master Thesis
    Hava Araçlarının Sınıflandırılmasında Derin Öğrenme Tekniklerinin Performans Analizi
    (2024) Çimen, Umut; Preveze, Barbaros; 06.03. Elektrik-Elektronik Mühendisliği; 06. Mühendislik Fakültesi; 01. Çankaya Üniversitesi
    Son yıllarda gelişen teknolojilerle birlikte çok sayıda saldırı ve savunma sistemlerine ihtiyaç duyulmaktadır. Bu ihtiyacın en önde gelen alanı da havacılık sektörüdür. Bir çok hava aracı gün içerisinde ulusal veya uluslar arası uçuşlar gerçekleştirmektedir. Bununla birlikte olası saldırı ihtimalleri olabilecektir. Bu durumunu önüne geçmek ve gerekli tedbirleri alabilmek için hava araçlarının tespiti büyük önem taşımaktadır. Bu çalışmada derin öğrenme tekniklerinin hava aracı sınıflandırılması üzerindeki performans analizi amaçlanmıştır. Bu çalışmada görüntü sınıflandırma tekniklerinde GoogleNet ve ResNet18 kullanılmıştır. Yolcu uçağı, Askeri uçak, Helikopter, Drone ve Roket olmak üzere 5 ayrı sınıf içeren hazır datasette bulunan yaklaşık 5000 hava aracı görüntüsü için farklı yüzdelerde rastgele test ve öğrenme sınıfları oluşturulmuştur. Bu test ve öğrenme sınıflarından çıkan sonuçlara göre eğitim verisinin fazla olduğu sonuçlarda genel olarak daha yüksek başarım oranı gözlendiği için %90 öğrenme ve %10 test sınıfları ile devam edileceği kararlaştırılmıştır. ResNet18 ve GoogleNet mimarilerinin veri giriş boyutu 224x224x3 iken, veri girişleri değiştirilerek 210x210x3, 230x230x3 ve 250x250x3 boyutlarında %90 eğitim sınıfı ile 5'er kere eğitim yapılmıştır ve sonuçların ortalama değerleri alınmıştır. Bu değerler de bize göstermektedir ki; veri boyutlarının değiştirilmesi ile orijinal yöntemlerin vermiş olduğu sonuçlara göre daha iyi performanslar elde edilebilmiştir. Googlenet 210x210x3 veri girişi ile başarım oranı kritikliği durumları için daha iyi bir yüzde elde edilmiştir. RestNet18 230x230x3 veri girişi ile zaman kritikliği durumunda ise kabul edilebilir düzeyde daha düşük başarım ancak yarı yarıyadan daha kısa bir süre tasarrufu sağlandığı gözlenmiştir.