Views
22
Downloands
1
Hava sahalarının önemli olduğu bölgelerde dronları tespit etmek zorlu bir konu haline gelmiştir. Bu araçların kontrolsüz uçuşları ve konuşlanmaları da istenmeyen bölgelerde çeşitli güvenlik sorunlarına sebep olur. Bu çalışmada, dronları kuşlardan ayırarak etkili bir şekilde sınıflandırabilmek için bir evrişimli sinir ağı (ESA) modeli önerilmiştir. Önerilen model, ön eğitimli AlexNet ile mekansal piramit havuzlama (MPH) yapısı kullanılarak tasarlanmıştır. Böylece, ağın evrişimsel katmanlarından gelen yerel öznitelikler birleştirerek ağın nesne özelliklerini daha kapsamlı bir şekilde öğrenmesi sağlanmış ve önerilen modelin sınıflandırma performansı artırılmıştır. Ayrıca, eğitim görüntülerinde çevrimdışı veri artırma tekniği uygulanarak örnek sayısı artırılmıştır. Önerilen yöntemin performansı AlexNet, ShuffleNet, GoogLeNet ve DarkNet gibi sıklıkla kullanılan ön eğitimli ESA mimarileri ile karşılaştırılmıştır. Gerçekleştirilen deneysel çalışmalarda önerilen yöntemin doğruluk, kesinlik, duyarlılık, özgüllük ve F1-skor değerleri sırasıyla %98.89, %97.83, %100, %97.78 ve %98.90 olarak elde edilmiştir. Çalışmada elde edilen tüm sonuçlar incelendiğinde, önerilen yöntemin farklı ortamlara ait drone görüntülerini kuşlardan ayırarak başarımı yüksek bir şekilde sınıflayabildiğini ortaya koymaktadır.
Detection of drones in areas where the airspaces are important has become a difficult topic. The uncontrolled flights and conversations of these vehicles also cause various security problems in unwanted areas. In this study, a evolutionary nerve network (ESA) model was proposed to be able to effectively classify drones by separating them from birds. The recommended model is designed using the spatial pyramid swimming structure (MPH) with the pre-trained AlexNet. Thus, the combination of local properties from the evolutionary layers of the network has enabled the network to learn the object characteristics in a more comprehensive way and enhanced the classification performance of the recommended model. Furthermore, the number of samples has been increased by applying the non-online data enhancement technique in the training images. The performance of the recommended method is compared to the frequently used pre-trained ESA architectures such as AlexNet, ShuffleNet, GoogLeNet and DarkNet. In the conducted experimental studies, the accuracy, accuracy, sensitivity, peculiarity and F1 scores of the recommended method were achieved at 98.89, 97.83, 100%, 97.78 and 98.90 per cent respectively. When all the results obtained in the study are examined, it shows that the recommended method can highly classify success by separating drone images of different environments from birds.
Field : Mühendislik; Fen Bilimleri ve Matematik
Journal Type : Uluslararası
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
