Derin Öğrenme Yöntemleri Kullanılarak Havadan Elde Edilen Görüntüler Üzerinde Nesne Tespiti

Year 2022, Volume: 9 Issue: 4, 1398 - 1410, 31.12.2022

Kemal Türkarslan , Firat Hardalac

https://doi.org/10.31202/ecjse.1135509

Abstract

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.

Keywords

Uydu Görüntüleri, Hava Fotoğrafı, Nesne Algılama, Evrişimsel Sinir Ağları, Görüntü Bölme, Hava Fotoğrafı

Object Detection on Aerial Images Using Deep Learning Methods

Abstract

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.

Keywords

Satellite Images, Aerial Photography, Object Detection, Convolutional Neural Networks, Image Splitting., Aerial Image

References

• [1]. Mihajlovic, I. (2021, September 24). Everything you ever wanted to know about computer vision. here's a look why it's so awesome. Medium. Retrieved May 19, 2022, from https://towardsdatascience.com/everything-you-ever-wanted-to-know-about-computer-vision-heres-a-look-why-it-s-so-awesome-e8a58dfb641e
• [2]. R. Comert, U. Avdan and E. Senkal, “Unmanned aerial vehicles usage areas and future expectations,” “İnsansız hava araçlarının kullanım alanları ve gelecekteki beklentiler,” IV. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, Zonguldak, 2012.
• [3]. Condliffe, J. (2015, January 9). This was the first ever satellite image of the entire U.S. Gizmodo. Retrieved May 19, 2022, from https://gizmodo.com/this-was-the-first-ever-satellite-image-of-the-entire-u-1678463325
• [4]. Wikimedia Foundation. (2022, May 13). Satellite imagery. Wikipedia. Retrieved May 19, 2022, from https://en.wikipedia.org/wiki/Satellite_imagery
• [5]. News bureau. News Bureau. (n.d.). Retrieved May 19, 2022, from https://www.maxar.com/news-bureau
• [6]. Wang, J., Guo, W., Pan, T., Yu, H., Duan, L., & Yang, W. (2018, July). Bottle Detection in the Wild Using Low-Altitude Unmanned Aerial Vehicles. In 2018 21st International Conference on Information Fusion (FUSION) (pp. 439-444). IEEE.
• [7]. Kerkech, M., Hafiane, A., & Canals, R. (2018). Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images. Computers and electronics in agriculture, 155, 237-243.
• [8]. Toraman S., (2018). Derin Öğrenme ile İnsansız Hava Aracı Görüntülerinden Yaya Tespiti. Journal of Aviation, 2 (2), 64-69. DOI: 10.30518/jav.450913
• [9]. Kılıç, E. & Öztürk, S. (2020). İnsansız Hava Aracı Görüntülerinde Evrişimli Sinir Ağları Tabanlı Araba Sayımı Yöntemi . Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi,36(2),170-177.Retrievedfrom https://dergipark.org.tr/tr/pub/erciyesfen/issue/56383/726504
• [10]. E. Bayhan, Z. Ozkan, M. Namdar and A. Basgumus, "Deep Learning Based Object Detection and Recognition of Unmanned Aerial Vehicles," 2021 3rd International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), 2021, pp. 1-5, doi: 10.1109/HORA52670.2021.9461279.
• [11]. Şeker, A. , Diri, B. & Balık, H. H. (2017). Derin Öğrenme Yöntemleri Ve Uygulamaları Hakkında Bir İnceleme . Gazi Mühendislik Bilimleri Dergisi , 3 (3) , 47-64 . Retrieved from https://dergipark.org.tr/tr/pub/gmbd/issue/31064/372661
• [12]. Süslü, A. (2019). Doğa ve İnsan Bilimlerinde Yapay Zekâ Uygulamaları . Akademia Doğa ve İnsan Bilimleri Dergisi , 5 (1) , 1-10 . Retrieved from https://dergipark.org.tr/tr/pub/adibd/issue/56415/787597
• [13]. Cengil, E. & Çınar, A. (2016). A NEW APPROACH FOR IMAGE CLASSIFICATION: CONVOLUTIONAL NEURAL NETWORK . European Journal of Technique(EJT),6(2),96-103. Retrieved from https://dergipark.org.tr/tr/pub/ejt/issue/34032/376647
• [14]. G.-S. Xia, X. Bai, J. Ding, Z. Zhu, S. Belongie, J. Luo, M. Datcu, M. Pelillo ve L. Zhang, «DOTA: A Large-scale Dataset for Object Detection in Aerial Images,» %1 içinde IEEE Conference on Computer Vision and Pattern Recognition, 2019
• [15]. R. Geng, Y. Ma ve W. Huang, «An improved helmet detection method for YOLOv3 on an unbalanced dataset,» Dalian, 2020.
• [16]. B. Benjdira, T. Khursheed, A. Koubaa, A. Ammar ve K. Ouni, «Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3,» arXiv, 2018.
• [17]. Morera, Angel & Sanchez, Angel & Moreno, A.B. & Sappa, Angel & Vélez, Jose. (2020). SSD vs. YOLO for Detection of Outdoor Urban Advertising Panels under Multiple Variabilities. Sensors. 20. 4587. 10.3390/s20164587.