Makine öğrenmesi yöntemleri ile kara askeri araçların tespit ve sınıflandırılması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, askeri araçların görüntü işleme ve makine öğrenmesi algoritmaları kullanılarak tespit edilmesi üzerine odaklanılmıştır. Askeri araç olarak, BMC 6x6 kamyon, M113 Zırhlı Personel Aracı, Land Rover Defender ve Tank olmak üzere dört farklı kategori tercih edilmiştir. Her araç türüne ait 50 görsel olmak üzere toplamda 200 görselden oluşan bir veri seti hazırlanmıştır. Çalışmanın ilk adımında, görüntü işleme teknikleri uygulanarak görseller üzerinde ön görüntü işleme gerçekleştirilmiştir. Ön görüntü işleme safhası, arka planın çıkartılması, keskinleştirme filtresi ve görüntü boyutlarını küçültme işlemlerini kapsamaktadır. Bu adımın ardından, Yönlendirilmiş Eğimler Histogramı (HOG) ve İki Boyutlu Dalgacık Dönüşümü (2D-WT) yöntemleri kullanılarak özellik çıkarımı yapılmaktadır. Elde edilen özellikler, ReliefF (RF) ve Ana Bileşen Analizi (PCA) ile özellik seçimi yapılarak özellik matrisinin boyutlarının azaltılması sağlanmaktadır. Boyut azaltımı yapılarak gerçekleştirilen özellikler ve etiketler sırasıyla Karar Ağaçı (DT), K-en Yakın Komşu (K-NN), Naive Bayes (NB) ve Kaskat İleri Sinir Ağları (CFNN) algoritmalarına uygulanmıştır. Bu sınıflandırıcıların performansını değerlendirmek için kararlılık matrisi, doğruluk, F1 skoru ve kesinlik gibi metrikler kullanılmıştır. Sonuçlarda, her bir sınıflandırıcı için özellik çıkarım ve özellik seçim yöntemleri ile performansları ayrı ayrı uygulanmış ve incelenmiştir. Özellikle CFNN algoritmasının, görsel verilerin karmaşıklığı ve detaylarını en iyi şekilde yakalayarak yüksek doğruluk ve F1 skorları elde ettiği gözlemlenmiştir. HOG özellik çıkarım yöntemi ve RF özellik seçim yöntemlerinde en iyi sonuçlar elde edilmiştir. Bu çalışma sonucunda, askeri araçların tespiti konusunda görüntü işleme ve makine öğrenmesi algoritmalarının etkinliği gösterilmiş ve bu alanda gelecekteki araştırmalara önemli bir temel oluşturmuştur.
This study focuses on the detection of military vehicles using image processing and machine learning algorithms. Four different categories were selected as military vehicles: BMC 6x6 truck, M113 Armored Personnel Carrier, Land Rover Defender, and Tank. A dataset consisting of a total of 200 images, with 50 images for each type of vehicle, was prepared. In the first step of the study, pre-processing was performed on the images using image processing techniques. The pre-processing phase includes background removal, sharpening filter, and image resizing. Following this step, feature extraction was conducted using Histogram of Oriented Gradients (HOG) and Two-Dimensional Wavelet Transform (2D-WT) methods. The extracted features were subjected to feature selection using ReliefF (RF) and Principal Component Analysis (PCA) to reduce the dimensions of the feature matrix. The obtained features and labels were then applied to Decision Trees (DT), K-Nearest Neighbors (K-NN), Naive Bayes (NB), and Cascade Forward Neural Networks (CFNN) algorithms. Metrics such as confusion matrix, accuracy, F1 score, and precision were used to evaluate the performance of these classifiers. The results showed that the performance of each classifier was separately applied and examined with feature extraction and feature selection methods. It was observed that the CFNN algorithm achieved high accuracy and F1 scores by capturing the complexity and details of the visual data in the best way. The best results were obtained in the HOG feature extraction method and RF feature selection methods. As a result of this study, the effectiveness of image processing and machine learning algorithms in the detection of military vehicles was demonstrated, providing a significant foundation for future research in this field.
This study focuses on the detection of military vehicles using image processing and machine learning algorithms. Four different categories were selected as military vehicles: BMC 6x6 truck, M113 Armored Personnel Carrier, Land Rover Defender, and Tank. A dataset consisting of a total of 200 images, with 50 images for each type of vehicle, was prepared. In the first step of the study, pre-processing was performed on the images using image processing techniques. The pre-processing phase includes background removal, sharpening filter, and image resizing. Following this step, feature extraction was conducted using Histogram of Oriented Gradients (HOG) and Two-Dimensional Wavelet Transform (2D-WT) methods. The extracted features were subjected to feature selection using ReliefF (RF) and Principal Component Analysis (PCA) to reduce the dimensions of the feature matrix. The obtained features and labels were then applied to Decision Trees (DT), K-Nearest Neighbors (K-NN), Naive Bayes (NB), and Cascade Forward Neural Networks (CFNN) algorithms. Metrics such as confusion matrix, accuracy, F1 score, and precision were used to evaluate the performance of these classifiers. The results showed that the performance of each classifier was separately applied and examined with feature extraction and feature selection methods. It was observed that the CFNN algorithm achieved high accuracy and F1 scores by capturing the complexity and details of the visual data in the best way. The best results were obtained in the HOG feature extraction method and RF feature selection methods. As a result of this study, the effectiveness of image processing and machine learning algorithms in the detection of military vehicles was demonstrated, providing a significant foundation for future research in this field.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
