Elektronik burun ile el yapımı patlayıcıların tespiti

Terörizmin çehresi, gelişen teknolojiyle birlikte değişmiştir. Çağdaş haberleşme, ulaşım imkanları, öldürücü gücü yüksek silahlar ve diğer teknolojik ilerlemeler çağımız teröristinin tahrip edici gücünü arttırmıştır. Bir yandan teröristin kullandığı vasıtalar eskiye kıyasla daha tahrip edici hale gelirken, teröristin bu vasıtaları kullanabilme yeteneği de buna paralel olarak artmıştır. Ülkemizin uzun yıllar boyunca terör saldırılarına maruz kalması, kolluk güçlerinin bu saldırıları daha olmadan önleme yeteneklerini artırmalarında temel motivasyon olmuştur. Özellikle terör saldırılarının hedefleri olan insan topluluklarının kalabalık bir şekilde bulunduğu alanlar olan havaalanı, metro, tren istasyonları, otobüs terminalleri, park ve bahçeler, alışveriş merkezleri, vb. yerlerde önleme aramaları yapılmakta ancak yapılan aramalar daha çok elle ve göz ile yapılmakta ve bunun yanında destekleyici olarak metal detektörleri ve x-ray cihazları kullanılmaktadır. Kolluk güçleri patlayıcı maddeleri tespit amacıyla özel yetiştirilmiş bomba arama köpeklerini kullanmaktadırlar fakat; köpeklerin aramalar esnasında hata yapabilme ve idarecisini yanıltma olasılığı her zaman mevcuttur. Bu tezde, patlayıcı maddenin tespitine yönelik olarak MQ marka sensörler ile elektronik burun yapılmış ve patlayıcı kokuları çalışılmıştır. El yapımı patlayıcı olan ANFO (Amonyum Nitrat Fuel Oil) ile nane, kekik, kimyon ve kahvenin hem farklı miktarlarda ayrı ayrı hem de farklı oranlarda karışımlarının kokuları alınmıştır. Veriler, LabVIEW programında hazırlanan bir yazılım aracılığıyla toplanmış olup, her sensörden saniyede 10 adet veri toplam 60 saniye boyunca alınarak toplamda 426 kayıt elde edilmiştir. Patlayıcı içermeyen sınıfta 161 kayıt bulunurken, bu kayıtlar 40 kekik, 40 nane, 40 kimyon ve 41 kahve örneğinden oluşmaktadır. Patlayıcı içeren sınıflar ise %10 ANFO + %90 baharat içeren 41 kayıt, %20 ANFO + %80 baharat içeren 41 kayıt, %30 ANFO + %70 baharat içeren 41 kayıt, %40 ANFO + %60 baharat içeren 42 kayıt ve %100 patlayıcı içeren 100 kayıttan oluşmaktadır. Elde edilen verilerden ortalama, standart sapma, toplam ve medyan gibi öznitelikler çıkarılmış, ardından bu veriler eğitim (%60), doğrulama (%20) ve test (%20) olmak üzere üçe ayrılarak sınıflandırma modellerine aktarılmıştır. Sınıflandırma işlemi kNN-3, lojistik regresyon, rastgele orman ve ekstra ağaçlar algoritmaları kullanılarak gerçekleştirilmiş ve deneysel sonuçlara göre, ekstra ağaçlar algoritması %96,45 doğruluk oranıyla en başarılı model olmuştur. Rastgele orman (%93,61) ve kNN-3 (%93,67) algoritmaları da yüksek doğruluk oranlarıyla başarılı sonuçlar üretirken, lojistik regresyon modeli %85,65 doğruluk oranıyla diğer yöntemlere kıyasla daha düşük performans göstermiştir.