Derin öğrenme kullanılarak X-ray görüntülerinde otomatik tehdit algılama

X-ray bagaj taramalarında otomatik nesne tespiti, güvenliği ve yüksek hacimli ortamlar (örneğin, havaalanları) gibi yerlerde operasyonel verimliliği sağlamak için kritik bir öneme sahiptir. Geleneksel yöntemler, X-ray görüntülemenin benzersiz zorlukları olan üst üste binen nesneler ve düşük kontrast gibi durumlarla baş etmekte genellikle yetersiz kalmaktadır. Derin öğrenmede son yıllarda yaşanan gelişmeler, özellikle YOLO (You Only Look Once) çerçevesi, gerçek zamanlı nesne tespiti için dikkate değer bir potansiyel göstermiştir. Bu tez, en güncel YOLO modellerinden YOLOv8, YOLOv9 ve YOLOv10'un en yaygın kullanılan üç X-ray bagaj veri kümesi üzerindeki performansını incelemekte ve karşılaştırmaktadır. Bu veri kümeleri şunlardır; CLCXray, PIDXray ve SIXray. Araştırma, bu modelleri algılama doğruluğu, çıkarım hızı ve hesaplama verimliliği gibi temel metrikler açısından değerlendirmekte ve gerçek dünya uygulamalarına uygunluklarını belirlemeyi amaçlamaktadır. Çalışma, karmaşık ve dağınık ortamlardaki nesneleri tespit etme yeteneklerini kapsamlı deneylerle incelemekte, algılama hassasiyeti ve işlem hızını dengeleme üzerinde yoğunlaşmaktadır. Sonuçlar, YOLOv10'un genel olarak en iyi performansı sergilediğini, üstün doğruluk ve daha hızlı çıkarım süreleri sunarken düşük hesaplama karmaşıklığını koruduğunu ortaya koymaktadır. YOLOv8 ve YOLOv9 da belirli senaryolarda öne çıkan güçlü yönleriyle rekabetçi bir performans sergilemektedir. Bulgular, en yeni YOLO modellerinin gerçek dünya X-ray bagaj tarama sistemlerinin gereksinimlerini karşılamada oldukça etkili olduğunu ve operasyonel güvenlik ortamlarında kullanım potansiyeli taşıdığını gösteriyor. Bu çalışma, nesne algılama modellerinin kapsamlı bir incelemesini sunuyor, pratik uygulamalar hakkında değerli bilgiler sağlıyor ve otomatik güvenlik sistemlerindeki gelişmelerin temelini oluşturuyor.