X-ray görüntülerinden gizlenmiş elektronik devrelerin derin öğrenme yöntemleriyle tespiti

Kamu kurum ve kuruluşlarında vazgeçilmez olan güvenlik terör vb. eylemlere karşı en yüksek seviyeye çıkarılmaya çalışılır. Bunun için güvenlik görevlileri tarafından kullanılan X-ray görüntüleri üzerinden yasaklı maddelerin görevliler tarafından tespiti, zaman, iş gücü ve uzman eksiklikleri nedeniyle verimli olmayabilir. Bu ve benzer sebeplerden ötürü ilgili süreci otomatikleştirmek ve insan faktörünü ortadan kaldırmak için çeşitli yöntemler geliştirilmiştir. Derin öğrenme yöntemleri ile görüntü analizi ve nesne tanıma ise bu sorunları aşma potansiyeline sahiptir. Tez çalışmasında, dizüstü bilgisayarlar gibi elektronik cihazlarda gizlenmiş patlayıcı devrelerinin tespiti konusu incelenmiştir. Bu problemi çözmek için hipotezler sunulmuş ve bu hipotezlere dayanarak derin öğrenme tabanlı çözüm yaklaşımları geliştirilmiştir. Problemi çözmek için ilk aşamada yeni ve özgün bir veri seti oluşturulmuş ve bu veri seti üzerinde sınıflandırma literatürdeki derin öğrenme modelleri kullanılarak gerçekleştirilmiştir. Yapılan deney çalışmaları sonuçları incelendiğinde veri seti boyutu ve karmaşıklığı nedeniyle çeşitli problemler ortaya çıktığı görülmüştür. İkinci aşamada elde edilen sınıflandırma başarılarının arttırılması amacıyla derin öğrenme modelleri özellik haritalarını birleştirmeye yönelik bir yaklaşım geliştirilmiştir. Bu yaklaşımın, özellikle boyutun küçük ve karmaşıklığının yüksek olduğu veri setlerinde başarım artırımı için yol gösterici nitelikte olduğu düşünülmektedir. Çalışmanın ilk aşamasında derin öğrenme alanında yaygın olarak kullanılan Evrişimsel Sinir Ağları tabanlı 11 farklı model sınıflandırma amacıyla tasarlanmıştır. Çalışmada yaşanan ilk zorluk veri setinin boyutunun küçük olması ve karmaşıklığı nedeniyle test esnasında yaşanmıştır. Test başarısı eğitim başarısına göre düşük olmuş ve yöntemler aşırı öğrenme yapmıştır. Bu durumu azaltmak ve başarımı artırmak için daha kısa süre eğitime ihtiyaç duyan ve aşırı öğrenmeye dirençli bir sınıflandırıcı yöntem kullanılması hedeflenmiştir. Böylece RWN (Random Weight Network) tabanlı bir sınıflandırıcı içeren özellik füzyonu yöntemi önerilmiş, yapılan literatürdeki derin öğrenme yöntemlerine ait deneyler ve yalnızca sınıflandırıcının değiştirildiği yöntem ile kıyaslanmış patlayıcı tespitinde kullanılmıştır. Çalışmanın son bölümünde RWN ve özellik füzyonu kullanılarak bir analiz yapılmıştır. Bu analiz, farklı ara katman ve hiper parametreler değerleri altında her bir yaklaşımın performansını ve etkinliğini değerlendirmeyi amaçlamıştır. Sonuç olarak geliştirilen özellik füzyonu yönteminin başarıya katkısı deney sonuçlarıyla gösterilmiştir.