Views
14
Downloands
4
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.
Today, Unmanned Aircraft has a wide range of uses such as border security, coastal security, defence, attack mainly search rescue, cranberry medication, fire-extinction. However, if IHA can perform some tasks autonomously, it is with the integration of the computer vision system. One of its practices in this field, air-to-air object detection practices may include a variety of errors, such as failure to detect objects of different sizes depending on the concepts of distance, proximity, slow detection, misprediction. Those errors can be minimized by deep learning practices. In this study, the YOLOv3 DÖ network was trained with the images taken from the VRAT[1] video set and then re-trained with the images taken from the DJI Mavic 2 Zoom IHA camera, which provided the identification of the vehicles and trails in the video. The training and test process was carried out on the Google Colab Tesla T4 GPU machine. The model’s performance for the first and second training was Loss, mAP 2.345, 79% and 1.171, 70.09%.
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
