Panoramik görüntüler üzerinden su altı hedef tespiti: DBSCAN ve derin öğrenme ağları ile bütünleşik bir yaklaşım

Abstract

Su altı akustik verileri, denizaltı savaşları, su altı hedef izleme, mayın tespiti, deniz güvenliği, su altı haritalama ve çeşitli su altı araştırmalarında kritik rol oynayan önemli bir çalışma konusudur. Bu alandaki sürekli gelişmeler, askeri amaçlı operasyonlardan bilimsel araştırmalara kadar geniş bir yelpazede uygulamalara olanak tanımaktadır. Su altı hedef tespiti, çeşitli sensörler, akustik sistemler ve görüntüleme teknikleri kullanılarak gerçekleştirilen önemli bir akustik faaliyet alanıdır. Bu sensörler su altındaki nesnelerin ses dalgalarını algılarlar. Böylece denizaltılar, torpidolar ve diğer su altı araçları tarafından kullanılarak düşman veya potansiyel tehditleri belirleme konusunda kritik bilgiler sağlarlar. Son yıllarda su altı ekipman sistemlerinin gelişmesi ile birlikte bu alanda yapılan çalışmalarda büyük bir artış meydana gelmiştir. Fakat, geniş su altı bölgelerindeki karmaşık topografyalar ve değişen çevresel koşulları nedeniyle su altı hedef tespiti kolay bir uygulama değildir ve çoğu zaman geleneksel tespit yöntemleri belirli bir alanda çalışmakta ve değişen çevre koşullarına uyum sağlamakta yeterli olmamaktadır. Bu nedenle bahsedilen zorluklarla baş edebilecek yeni yaklaşımların geliştirilmesine yönelik çalışmalar artmıştır. Bu tez çalışmasında, DBSCAN (Density-Based Spatial Clustering of Applications with Noise) ve derin öğrenme ağlarının (yapay sinir ağlarının ve evrişimli sinir ağlarının) birleştirildiği yenilikçi bir yaklaşım sunulmuştur. Önerilen yaklaşımda simülasyon ortamında oluşturulmuş sonar verileri ve beamforming algoritması kullanılarak açı, frekans ve gürültü seviyesinden oluşan panoramik su altı resimleri oluşturulmuştur. Oluşturulan panorama resminde x ekseninde derece cinsinde açı değerleri, y ekseninde Hz cinsinden frekans verileri ve z ekseninde dB cinsinden gürültü seviyeleri bulunmaktadır. Oluşturulan veriler işlenerek kullanıma hazır hale getirilmiştir. Bu kapsamda ilk olarak açı ve frekans bandındaki ölçek farklılığını ortadan kaldırmak için frekans ve açı ekseni normalize edilmiş ve iki eksende 0 ile 1 değerleri arasına getirilmiştir. Gürültü seviyeleri ise z skor kullanılarak normalize edilmiştir. Veri işleme aşaması tamamlandıktan sonra model kısmına geçilmiştir. Sonar verilerinden oluşturulan panoramik deniz resimleri, ilk olarak DBSCAN algoritmasından geçirilmiştir. DBSCAN algoritması, su altı panoramik görüntülerdeki hedeflerin yoğunluk tabanlı bir şekilde kümelenmesini sağlar. Bu algoritma, geleneksel tespit yöntemlerinin ötesine geçerek, hedeflerin doğal olarak oluşan yoğunluk bölgelerinde daha etkili bir şekilde algılanmasını mümkün kılar. DBSCAN'in sunduğu bu avantajı kullanmak ve sistem performansını optimize etmek için, DBSCAN algoritması derin öğrenme ağlarıyla birleştirilmiştir. DBSCAN tarafından kümelenen veriler yapay sinir ağlarına (ANN) ve evrişimli sinir ağlarına (CNN) girdi olarak verilmiş ve modellerin hedef tespit performansları değerlendirilmiştir. Elde edilen sonuçlar sadece derin öğrenme ağları ile eğitilen modellerinin sonuçları ile karşılaştırılmıştır. Önerilen yaklaşım , sadece panoromik görüntülerle eğitilen modellerden, çok daha iyi performans elde etmiştir ve hedef tespiti konusunda daha başarılı olmuştur. Bu sonuçlar, derin öğrenme ağlarının, DBSCAN tarafından belirlenen yoğunluklu alanlarda daha spesifik ve hassas özellikler öğrenerek su altı hedeflerini daha doğru bir şekilde tanıma yeteneğinin olduğunu göstermiştir.