Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi

Son zamanlarda yüksek çözünürlüklü uydu ve insansız hava aracı (İHA) görüntüleri, güvenlik, trafik analizi, afet yönetimi ve çevre izleme gibi alanlarda giderek popüler hale gelmektedir. Ancak, pratikte bu tür yüksek çözünürlüklü görüntülerde küçük nesnelerin tespitinde, düşük piksel yoğunluğu ve ayrıntıların kaybolması gibi problemlerden dolayı başarım düşmektedir. Bundan dolayı, küçük nesneleri daha doğru bir şekilde tespit edebilecek, yüksek doğruluk oranına sahip yeni yöntemlerin geliştirilmesine ihtiyaç duyulmaktadır. Bu tez çalışmasında, yüksek çözünürlüklü görüntülerde nesne tespiti için yeni bir derin öğrenme tabanlı algoritma geliştirilmiştir. Tezin temel amacı, yüksek çözünürlüklü uydu ve insansız hava aracı (İHA) görüntülerinde küçük nesnelerin tespitinde karşılaşılan zorlukları aşmak ve nesne tespit performansını artırmaktır. Önerilen yöntem, yeni geliştirilmiş ISA (Image Slicing Algorithm) adı verilen ön işleme algoritması, güncel olarak kullanılan SAM (Segment Anything) ile etiket optimizasyonu, çözünürlüğü iyileştiren SRGAN (Super-Resolution Generative Adversarial Network) ve YOLO (You Only Look Once) modellerinin birleştirilmesi ile oluşturulan SROD (Super-Resolution Object Detection) Mimarisinden oluşmaktadır. Önerilen yöntem, özellikle küçük nesnelerin tespiti sırasında kaybolan piksel verilerinin korunmasını ve nesnelerin daha yüksek doğrulukla algılanmasını sağlamaktadır. Tezde önerilen yöntem şu şekilde çalışmaktadır: ilk olarak, yüksek çözünürlüklü görüntülerdeki nesnelerin doğru bir şekilde dilimlenmesi için ISA algoritması kullanılmaktadır. Bu algoritma, dilimleme sırasında nesnelerin bütünlüğünü koruyarak, nesne tespiti için veri hazırlama sürecinde önemli bir rol oynamaktadır. Dilimleme işlemi sırasında oluşan etiketleme hatalarının kontrol edilmesi ve düzeltilmesi için SAM segmentasyon modeli kullanılmıştır. Bu sayede, dilimlenen görüntülerdeki nesnelerin etiketleme doğruluğu ve modelin performansı artırılmıştır. Daha sonra, SRGAN modeli ile görüntülerin çözünürlüğü artırılarak, YOLO tabanlı nesne tespit modellerine çözünürlüğü iyileştirilmiş giriş verileri sağlanmıştır. SRGAN modeli, görüntülerdeki detay seviyesini artırarak, özellikle küçük nesnelerin daha iyi tespit edilmesini sağlamaktadır. Çalışmada hava görüntülerinde sıklıkla kullanılan xView ve VisDrone veri setleri kullanılmıştır. Bu veri setleri, çok sınıflı ve karmaşık görüntüler içermektedir. Bu özellikleri ile önerilen sistemin performansını test etmek için uygun bir problem sunmaktadır. Tezdeki deneysel çalışmalar YOLOv5, YOLOv7, YOLOv8 ve, YOLOv9 gibi farklı YOLO versiyonları kullanılarak yapılmıştır. Elde edilen deneysel sonuçlar, önerilen yöntemin nesne tespit doğruluğunu önemli ölçüde geliştirdiğini ve mevcut yöntemlere kıyasla daha yüksek doğruluk oranları sağladığını göstermektedir. Tezde geliştirilen diğer önemli bir yöntem ise etiket dönüşüm algoritmasıdır. Bu algoritma, maske etiketli veri setlerinin YOLO formatına uygun hale getirilmesini sağlamaktadır. Etiket dönüşüm algoritması sayesinde, farklı veri setlerinde kullanılan etiketleme formatlarının uyumsuzluk sorunları çözülmüş ve YOLO modellerinde kolaylıkla kullanılabilir hale getirilmiştir. Sonuç olarak, bu tez çalışması, yüksek çözünürlüklü görüntülerde nesne tespiti alanında önemli bir katkı sunmakta ve özellikle küçük nesnelerin tespitinde karşılaşılan zorlukları minimize eden yeni bir yöntem önermektedir. Bu yöntemin, güvenlik, trafik analizi, afet yönetimi ve çevre izleme gibi alanlarda kullanım potansiyeli bulunmaktadır. Geliştirilen yöntemlerin literatüre katkısı, nesne tespiti alanındaki performans iyileştirmeleri ve çoklu veri setlerinde elde edilen başarılı sonuçlar ile kanıtlanmıştır.