Son dönemlerde insan hayatı içerisinde gelişmiş uydu sistemlerinin ve insansız hava aracı teknolojilerinin kullanımı günden güne önemli derecede artmaktadır. Bu sistemler üzerinden havadan elde edilen görüntüler savunma sanayii, şehir planlama, tarım, film endüstrisi, eğlence, petrol ve maden arama gibi birçok alanda kullanılmaktadır. Bu gelişmeler doğrultusunda havadan elde edilen görüntüler üzerinde hem nitelik hem nicelik anlamında da artış olmuştur. Bununla beraber günümüzde bilgisayarlı görü dünyasında yapay zekâ algoritmaları üzerinde en çok çalışılan alanlardan biridir. Bilgisayarlı görü ile havadan elde edilen görüntüler üzerinde nesne tespit ve tanıma işlemi oldukça kolay hale gelmektedir. Bu çalışmada tek aşamalı nesne tespit modellerinden YOLOv5 ve SSD algoritmaları kullanılarak Google Earth, GF-2 ve JL-1 uyduları üzerinden toplanan görüntüler üzerinde gemi, liman, küçük araç vs gibi 15 farklı nesnenin tespit çalışmaları yapılmıştır. Google Colab platformu kullanılarak yapılan bu çalışmalarda görüntü bölme (image split) ve veri arttırımı (data augmentation) yöntemleri kullanılarak derin öğrenme modelleri üzerindeki etkisi karşılaştırılmıştır. Deneysel çalışmalar sonrasında elde edilen analiz sonuçları grafikler ile paylaşılmıştır.
Uydu Görüntüleri Hava Fotoğrafı Nesne Algılama Evrişimsel Sinir Ağları Görüntü Bölme Hava Fotoğrafı
The use of advanced satellite systems and unmanned aerial vehicle technologies has increased in human life day by day in recent times. Aerial images are used in many areas such as defense industry, city planning, agriculture, film industry, entertainment, oil and mineral exploration. After these advancement, there has been an rise in both quality and quantity on the images obtained from the air. Artificial intelligence and deep learning algorithms are one of the most studied and applied fields of study at the same time. Object detection of aerial images will be easy with computer vision. In this study we used dataset images which 15 different class such as ships, ports, small vehicles, etc. collected by Google Earth, GF-2 and JL-1 satellites. Next, YOLOv5 and SSD algorithms from single-stage object detection models used for object detection. The effects on deep learning models were compared by using image split and data augmentation methods in experiments using the Google Colab platform. Experimental results were analyzed in detail with graphics.
Satellite Images Aerial Photography Object Detection Convolutional Neural Networks Image Splitting. Aerial Image
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Makaleler |
Authors | |
Publication Date | December 31, 2022 |
Submission Date | June 24, 2022 |
Acceptance Date | October 18, 2022 |
Published in Issue | Year 2022 Volume: 9 Issue: 4 |