Harp başlığı performans testlerinde derin öğrenme tabanlı otomatik bölütleme ve 3b yeniden inşa

Harp başlığı performans testleri, çukur imlalı harp başlıkları (SCW) ve parçacıklı harp başlıklarının (FW) değerlendirilmesinde temel öneme sahiptir. Bu başlıkların başarımları, Derinlik Testi (DoPT) ve Arena Testi (AT) ile ölçülmektedir. DoPT, metal levhaların delinme derinliğini incelerken; AT, patlama sonrası panellerde oluşan delik ve kusurları analiz eder. Geleneksel yöntemlerle, manuel olarak test verilerinin incelenmesi yoğun insan emeğine dayalı, hataya açık ve tutarsız bir prosedürdür. Derin öğrenme ve bilgisayarla görü alanındaki gelişmeler, bu sürecin otomatikleştirilmesine imkan vererek test verilerinden yüksek doğruluklu sonuçlar çıkmasına olanak sağlayacaktır. Bu tez, savaş başlığı testlerinde toplanan verilerin işlenmesi sürecinin iki yönünü ele almaktadır. İlk olarak, iki testten (DoPT ve AT) elde edilmiş fotoğraflar ile iki adet veri kümesi oluşturulmuştur. İki veri kümesinin temel isteri plakaların ve üzerinde bulunan deliklerin anlamsal bölütlemeyle benek bazında ayırt edilmesidir. Ancak iki veri setinin farklı karakteristikleri sebebiyle farklı stratejiler izlenmiştir. Delikleri benek bazında tespit etmek için literatürde benzer karakteristikteki veri setlerinde başarımı yüksek modeller ve kullanılan kayıp fonksiyonları incelenmiştir. İki küme için de bu modeller ve kayıp fonksiyonları eğitilerek başarımlar karşılaştırılmıştır. Deneylerde SCW veri kümesinde MCCM-Net ve Dice Loss $\approx\ \% 86$ IoU, AT veri kümesinde SegFormer + Cross Entropi $\approx\ \%65$ IoU ile en iyi sonuçları vermiştir. Sonuçlar sonrasında veri etiketleme tutarsılığı iki veri seti içinde çalışılmıştır. Aynı resimlerdeki farklı işaretleme tutarsızlıkları kıyaslanmıştır. Etiketleme uyumu SCW veri seti için $\%80 - 85$ IoU, AT için $\% 49 - 63$ IoU olarak bulunmuştur. Bu bulgular, etiket uyumu ve mimari seçimlerinin performans üzerindeki belirleyici etkisini ortaya koymaktadır. Çalışmanın ikinci kısmı, öncelikle tespit başarımını artıran yenilikçi yaklaşımları ele almaktadır. Bu kapsamda kullanılan derin gözetim (Deep Supervision) küçük nesnelerin tespitinde ara katmanlardaki gradyan akışını güçlendirmiştir. Önerilen öğrenilebilir atlama bağlantıları (Learning Gate) ise kodlayıcı–çözücü özniteliklerini piksel düzeyinde uyarlanabilir biçimde birleştirerek yerel detayların korunmasını ve bağlamsal bilginin daha etkili kullanılmasını sağlamıştır. Bu katkılar, model parametre sayısını azaltırken bölütleme doğruluğunu belirgin şekilde artırmıştır. Ardından, benek bazlı delik tespitlerinin yerleştirildiği otomatik çerçeve ve 3B yeniden inşa metodolojileri sunulmaktadır. Bu amaçla tasarlanan iki aşamalı işlem hattının ilk adımı düşük çözünürlüklü görüntülerden panellerin ayrılması, ikinci adımı ise yüksek çözünürlüklü paneller üzerinde delik ve kusurların hassas biçimde tespit edilmesidir. Delik merkezleri ve konturları belirlendikten sonra bu bilgiler 3B koordinatlara dönüştürülmüş ve hem noktasal hem de silindirik yüzey varsayımlarıyla harp başlığı geometrisi yeniden inşa edilmiştir. Böylece 4K (3840×2160) çözünürlüklü bir panelin saniyeler içinde işlenmesi mümkün hale gelmektedir. Süreç sürdürülebilir ve tekrarlanabilir bir yapıya kavuşmuştur. Sonuç olarak, çalışma piksel düzeyindeki bölütleme sonuçlarından 3B yeniden inşa sürecine uzanan uçtan uca bir yaklaşım sunarak panel başına onlarca saat sürebilen manuel analizleri saniye mertebesine indirmektedir. Derin gözetim ve öğrenilebilir atlama bağlantıları gibi yaklaşımlar savunma sanayinden farklı olarak, tıbbi görüntüleme ve endüstriyel kusur tespiti gibi alanlarda da uygulanabilir niteliktedir. Bu tez, bilgisayarlı görü yöntemlerini savunma sanayinin ihtiyaçlarıyla birleştiren yenilikçi ve bütüncül bir çerçeve ortaya koymaktadır.