Derin öğrenme algoritmaları kullanarak güvenli çocuk oyun alanlarında karşılaştırmalı tehlikeli nesne tespiti yapılması

dc.contributor.advisorGürkan, Hakan
dc.contributor.authorİnkaya, Mehmet Fatih
dc.date.accessioned2021-03-19T21:55:29Z
dc.date.available2021-03-19T21:55:29Z
dc.date.issued2021
dc.departmentBTÜ, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractTürkiye Cumhuriyeti Sağlık Bakanlığı Halk Sağlığı Genel Müdürlüğü verilerine göre Türkiye'de her yıl yaklaşık 250.000 kuduz riskli vaka görülmektedir. Bu vakaların büyük bir kısmı çocukların tatilde olduğu yaz aylarında ve çocuk oyun alanlarında köpek saldırısı şeklinde gerçekleşmektedir. Derin öğrenme temelli bilgisayar görüsü teknolojisinin gelişmesiyle birlikte çocuk oyun alanlarındaki tehlikeli nesnelerin (silah, bıçak, köpek vb.) otomatik tespiti önemli bir güvenlik uygulaması olarak ortaya çıkmıştır. Bu çalışmada daha önceden çocuk oyun alanlarında konumlandırılmış olan hızlı yardım istasyonları kullanılarak otomatik nesne (köpek) tespitinin yapılması amaçlanmıştır. Hem geleneksel hem de bölge önermeli ve tek aşamalı derin öğrenme temelli nesne tespit algoritmaları incelenmiş, başarım değerleri karşılaştırılmıştır. Karşılaştırma sonrasında bu tez çalışmasında yüksek fps ve mAP değeri nedeniyle YOLOv3 algoritmasının kullanılması tercih edilmiştir. Tek aşamalı nesne tespit algoritmaları görüntüyü tek bir seferde regresyon işlemine tabi tutarak nesnelerin sınıfını ve konumlarını aynı anda tahmin ettiklerinden bölge önermeli modellerden daha hızlıdır ve gerçek zamanlı uygulamalar için kullanımı daha uygundur. Güvenlik sistemlerindeki gerçek zamanlı ve anlık tepki verilmesi ihtiyacı ile çocuk oyun alanlarındaki çocuk ve köpeklerin hızlı ve hareketli yapıları göz önüne alınarak çocuk oyun alanları için YOLOv3 algoritması temelli nesne tespit modeli önerilmiştir. Öncelikle, orijinal veri setlerindeki sahipsiz köpek görüntü verisi eksikliğinin giderilmesi için bir hayvan barınağındaki sahipsiz köpeklerin görüntüleri çekilerek veri setine eklenmiştir. Sonrasında, çocuk oyun alanında mevcut hızlı yardım istasyonunun kamera kayıtları ve açık kaynak veri setinden alınan görüntüler de bu veri setine eklenerek toplam 878 görüntüden oluşan yeni bir veri seti elde edilmiştir. Bu yeni görüntüler eğitim verisi çeşitliliğini etkili bir şekilde arttırmış ve önerilen modelin eğitim performansını iyileştirmiştir. Önerilen model, çeşitli hiperparametreler kullanılarak optimize edilmiş ve sonuçlar birbiriyle karşılaştırılmıştır. En iyi değerlendirme sonuçlarına sahip model yeni bir akıllı şehir güvenlik uygulaması olarak önerilmiş ve seçilen çocuk oyun alanında bulunan hızlı yardım istasyonuna entegre edilerek köpeklerin otomatik olarak tespit edilmesi için uygulanmıştır. Optimize edilen hiperparametrelerle birlikte gerçek zamanlı köpek tespit uygulaması çocuk oyun alanında ihtiyaç duyulan hız ve doğruluğu da karşılayacak şekilde %82,59 AP @25 fps değerine ulaşmıştır.en_US
dc.description.abstractAccording to the reports of Turkish Public Health Institution, approximately 250,000 rabies-risk animal bites occur per year in Turkey. Most of these bites are caused by dogs and most of the victims are the children who play in playgrounds in summer holidays. With the development of deep learning-based computer vision technology, autonomous detection of dangerous objects (handguns, knives, dogs, etc.) in these children's playgrounds has become a crucial security application. In this study, it is aimed to perform autonomous object (dog) detection by using fast emergency station located in the selected children's playground. Both traditional methods and region-proposal and single shot deep learning-based object detection algorithms have been examined. The evaluation scores of these algorithms are compared. After the comparison, in this thesis the YOLOv3 algorithm has been preferred due to its high speed and high mAP value. Single shot algorithms regress the image at once, estimate the class of objects and their position at the same time. Therefore, they are faster than region-proposal algorithms and more suitable for real-time detection. The YOLOv3 algorithm-based object detection model is proposed for children's playgrounds, due to the need for real-time and instant response in security systems and the fast moving of children and dogs in children's playgrounds. Firstly, in view of the problem of insufficient stray dog image data in the original datasets, new images of stray dogs have been taken from an animal shelter and they have been added to the dataset. Then, a new dataset that contains 878 images has been created by adding video recordings of the fast emergency station and images from an open images dataset. These new images have effectively enriched the diversity of training data and improved the training performance of the proposed model. The proposed model has been optimized by utilizing various hyperparameters and the results have been compared with each other. The model with the best evaluation scores is proposed as a new smart city security application and applied to detect dogs automatically by the fast emergency station located in the selected children's playground. The real-time application achieved 82.59% of AP @25 fps with adjusted hyperparameters to meet the speed and accuracy needs in the children's playgorund.en_US
dc.identifier.endpage71en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=wf-FPgY-5qjHEzEoOgvMswZ-Pzh4Ojv-ODKN3youRArb2bxTB9uMccyY8pBiZqQj
dc.identifier.urihttps://hdl.handle.net/20.500.12885/58
dc.identifier.yoktezid659043en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.institutionauthorİnkaya, Mehmet Fatih
dc.language.isotren_US
dc.publisherBursa Teknik Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectElektrik ve Elektronik Mühendisliğien_US
dc.subjectElectrical and Electronics Engineeringen_US
dc.subjectYOLOv3en_US
dc.subjectSmart Cityen_US
dc.subjectChildren's Playgrounden_US
dc.subjectDog Detectionen_US
dc.subjectFast Emergency Stationen_US
dc.subjectYOLOv3en_US
dc.subjectAkıllı Şehiren_US
dc.subjectÇocuk Oyun Alanıen_US
dc.subjectKöpek Tespitien_US
dc.subjectHızlı Yardım İstasyonuen_US
dc.titleDerin öğrenme algoritmaları kullanarak güvenli çocuk oyun alanlarında karşılaştırmalı tehlikeli nesne tespiti yapılmasıen_US
dc.title.alternativeComparative suspicious object detection in safe playgrounds using deep learning algorithmsen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
659043.pdf
Boyut:
4.5 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tam Metin / Full Text

Koleksiyon