İnsansız hava aracından çekilen videolar kullanılarak derin öğrenme yaklaşımı ile nesne tespiti

Günümüzde İnsansız Hava Araçları (İHA) sınır güvenliği, sahil güvenliği, savunma, saldırı başta olmak üzere keşif, arama kurtarma, hava fotoğrafçılığı, lojistik, zirai ilaçlama, yangın söndürme gibi geniş bir kullanım alanına sahiptir. Bununla beraber otonom karar ve aksiyon mekanizması, komuta merkezi ile iletişim anında mesafeden veya başka sebeplerden dolayı oluşabilecek ve sonuçları tolere edilemeyecek gecikmenin yaşanmaması adına üzerinde durulması gereken önemli bir detaydır. Özellikle sınır güvenliği, sahil güvenliği, savunma, saldırı, yangın söndürme gibi durumlarda çok kritiktir. İHA'ların bazı görevleri otonom bir şekilde yerine getirebilmesi ise Bilgisayarlı Görü alanının İHA'lara entegresi ile olur. Bilgisayarlı Görü alanı uygulamalarından biri olan havadan nesne tespiti uygulamaları uzaklık, yakınlık kavramlarına bağlı olarak farklı boyutlardaki nesneleri algılayamama, yavaş algılama, yanlış tahminleme gibi birkaç hata içerir. Bu hatalar, farklı boyuttaki nesneleri, sabitleme kutularını (Anchor Box) kullanarak öğrenen ve maksimum olmayanı önleme (Non-Maximum Suppression) tekniğini kullanarak maksimum güven puanına sahip sınırlayıcı kutu dışındaki sınırlayıcı kutuları silen YOLO algoritması ile en aza indirilir. Çalışmanın kapsamı Derin Öğrenme (DÖ) yöntemlerinden YOLOv3 sinir ağı kullanılarak İHA'dan alınan görüntüdeki araçların ve yayaların tespitidir. Ve bu çalışmada, İHA'dan alınan video, sinir ağına verilmiş ve videodaki araçların ve yayaların tespiti sağlanmıştır. İHA olarak da DJI Mavic 2 Zoom Drone kullanılmıştır. Veri seti olarak VIRAT [50] video veri setinden alınan 500 görüntü eğitim için, Mavic 2 Zoom videolarından alınan 377 görüntü ise yeniden eğitim için kullanılmıştır. Ağ, 500 görüntü ile eğitilmiş, ortalama loss değeri 2.345 ve mAP değeri %79 olacak şekilde bir başarım elde edilmiştir. 377 görüntü ile ağ yeniden eğitilmiş, loss değeri 1'e yaklaşmıştır, bununla beraber mAP değeri önceki değere kıyasla %70.9 a düşmüştür. Eğitim ve test süreci Google Colab Tesla T4 GPU makinesinde gerçekleştirilmiştir. Modelin performansı Loss grafiği ve mAP grafiği ile değerlendirilmiştir.