Homojen olmayan bir yüzey altında gömülü nesneler için evrişimsel sinir ağı tabanlı hedef tespiti

Abstract

Yeraltı yapılarının ve gömülü nesnelerin tespiti, mühendislik, arkeoloji ve savunma sanayii gibi birçok alanda kritik öneme sahiptir. Bu amaçla yaygın olarak kullanılan Yer Radarı (GPR), yeraltına gönderilen elektromanyetik dalgaların yansımalarını analiz ederek hedeflerin tespiti için tahribatsız bir yöntem sunar. Ancak, ham GPR verileri genellikle karmaşık yansımalar, yüzey dağınıklığı, gürültü ve zayıf hedef sinyalleri içerdiğinden doğrudan analize uygun değildir. Bu tez çalışmasında, sentetik GPR B-tarama verilerinden yeraltında gömülü nesnelerin (özellikle mayın benzeri hedeflerin) otomatik tespiti için, optimize edilmiş hibrit bir ön işleme yaklaşımı ve Evrişimsel Sinir Ağı (CNN) tabanlı bir sınıflandırma modeli geliştirilmiştir. Çalışmada, gprMax yazılımı kullanılarak tek katmanlıdan dört katmanlıya kadar farklı zemin ortamlarında, çeşitli hedef malzemeleri (PEC, plastik, plastik-PEC karışımı, ahşap), farklı derinlik, boyut ve anten konumlarını içeren 2880 adet sentetik B-tarama verisi oluşturulmuştur. Bu ham veriler, hedef sinyallerini belirginleştirmek ve CNN modelinin öğrenme performansını artırmak amacıyla kapsamlı bir ön işleme sürecinden geçirilmiştir. Uygulanan hibrit ön işleme zinciri; Gaussian filtre tabanlı arka plan çıkarma, yüksek geçirgen filtreleme, eğrilik artırıcı filtre (CEF), beyazlatma, zaman kazancı ve Non-Local Means (NLM) gürültü azaltma adımlarını içermektedir. Bu adımların parametreleri ve uygulanma sırası, sinyal kalitesini ve hedef belirginliğini maksimize etmek üzere kapsamlı deneysel analizlerle optimize edilmiştir. Ayrıca, modelin genelleme yeteneğini artırmak ve küçük veri setinin neden olduğu aşırı öğrenmeyi azaltmak için eğitim sırasında Gauss gürültüsü ekleme, rastgele dikey kaydırma ve rastgele parlaklık ayarı gibi veri artırma teknikleri kullanılmıştır. Ön işlenmiş ve standardize edilmiş verilerle, kademeli filtre artışı, Batch Normalization, Global Average Pooling ve Dropout katmanları içeren optimize edilmiş bir CNN mimarisi tasarlanmış ve eğitilmiştir. Modelin performansı ve genelleme yeteneği, farklı hiperparametre kombinasyonları ve veri seti büyüklükleri için test edilerek, nihai başarım 5-Katmanlı Çapraz Doğrulama (K-Fold Cross-Validation) yöntemiyle değerlendirilmiştir. Elde edilen sonuçlar, geliştirilen sistemin, artan ortam karmaşıklığına ve veri çeşitliliğine adapte olarak yeraltı hedeflerini %98'in üzerinde bir ortalama doğrulukla başarılı bir şekilde tespit edebildiğini göstermiştir. Özellikle, modelin tüm gerçek hedefleri tespit etme başarısı (Recall) ve pozitif tahminlerindeki kesinliği (Precision) dikkate değer bulunmuştur. Bu çalışma, karmaşık sentetik GPR verilerinde etkili bir ön işleme ve derin öğrenme yaklaşımının, yeraltı hedef tespiti problemlerine umut verici ve yüksek başarımlı çözümler sunabileceğini ortaya koymaktadır.