Akustik drone tespiti için derin sinir ağları algoritmaları

2010 yılında düzenlenen Tüketici Elektroniği Fuarında ilk ticari drone'nun tanıtılmasından bu yana endüstriyel, ticari ve kamu güvenliği gibi alanlarda bu araçların popülerliği artmaktadır. Bunun yanında Drone'ların kötü amaçlarla kullanıldığı, özelikle havaalanı, nükleer tesisi gibi yüksek güvenlik gerektiren yerlerde büyük zararlara yol açabildiği bilinmektedir. Sonuç olarak bu tür kritik alanlardaki izinsiz uçan drone ihlallerini tespit etmek ve gerekli uyarıları oluşturmak önemli bir gereksinimdir. Derin öğrenme modellerinin tasarım ve uygulamasındaki son teknolojik gelişmeler, bu modelleri konuşma, müzik, çevresel sesler ve görüntü tanıma gibi çeşitli klasik problemlerin çözümünde tekrar gündeme getirmiştir. Evrişimsel Sinir Ağları (CNN'ler) ve Tekrarlayan Sinir Ağları (RNN'ler) yaygın olarak kullanılan modelleridir. RNN'lerin doğal dil işleme uygulamaları gibi çeşitli sıra verileriyle ilgili görevlerde dikkate değer bir performans gösterdiği bilinmektedir. Öte yandan, evrişimsel modeller, bilgisayarlı görme görevleri için görüntü sınıflandırma ve nesne tanımada büyük başarı elde etmektedir. Bu tezin ana amacı akustik drone tespitinde güçlü ve verimli bir derin öğrenme modeli önermektir. Bu bağlamda drone seslerinin tanınması için toplanan veri setleri üzerinde hem RNN hem de CNN modelleri oluşturulmuştur. Bunun yanında akustik özelliklerin çıkarılmasında MFCC ve Mel-ölçekli filtre bankaları kullanılmıştır. Yapılan çeşitli denemelerle, Mel-ölçekli filtre bankası kullanan CNN modeli ile 32 KHz örnekleme oranında en iyi sınıflandırma performansı elde edilmiş ve gösterilmiştir. Anahtar Kelimeler: Derin öğrenme, Evrişimsel Sinir Ağları (CNN'ler), Tekrarlayan Sinir Ağları (RNN'ler), Akustik özellikleri, MFCC, Mel-ölçekli filtre bankaları