Multispectral imaging with swir camera for material detection in deep learning applications

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: SELAHATTİN EREN SÖZEN

Danışman: Tuğba Selcen Navruz

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde görüntüleme sistemlerinin kullanımı ve amacı, sahip oldukları özel kabiliyetler sayesinde her geçen gün daha da önem kazanmaktadır. Modern teknolojide, uygulama ihtiyaçlarına göre çeşitlenen görüntüleme sistemleri ile gerçekleştirilen çalışmalar da hızla artmakta ve çeşitlenmektedir. Görünür bölge görüntüleme dışında; kızılötesi (IR), gama, termal ve ultraviyole (UV) gibi farklı spektral bantlarda çalışan özel görüntüleme yöntemleri de bu alanda önemli yer tutmaktadır. Son yıllarda, uygulama hatalarını en aza indirmeyi hedefleyen derin öğrenme ve makine öğrenmesi yöntemlerinin, bu tür görüntüleme sistemlerine entegre edilmesiyle daha başarılı sonuçlar elde edilmeye başlanmıştır. Bu çalışmada ise, görsel olarak ayırt edilmesi güç ve birbirine oldukça benzeyen sıvı malzemelerin sınıflandırılması hedeflenmiştir. Derin öğrenme alanında yaygın olarak kullanılan görüntü tabanlı modellerden olan Evrişimli Sinir Ağı (CNN) mimarisi temel alınmıştır. Ayırt edilmesi hedeflenen malzemeler; su, propanol (alkol), aseton, kolonya ve flux olarak belirlenmiş ve bu maddelere ait görüntüler, hem Kısa Dalga Kızılötesi (SWIR) hem de görünür bölge (RGB) kameraları kullanılarak alınmıştır. Böylece, multispektral, SWIR ve RGB görüntülerden oluşan özel bir veri seti oluşturulmuştur. Beşli sınıflandırma senaryosunda, RGB kamera görüntüleri ile elde edilen test doğruluğu %34,16; SWIR görüntüleriyle %59,96 olarak belirlenmiştir. SWIR kamera ile 1200 nm, 1300 nm, 1400 nm, 1500 nm ve 1600 nm dalga boylarında alınan multispektral görüntülerle yapılan sınıflandırmada ise test doğruluğu %96,46'ya ulaşmıştır. Sadece doğruluk oranı değil, aynı zamanda sınıflar arası pozitif tahmin başarısını ve modelin genel dengesini yansıttığı için F1 skoru da değerlendirmeye dahil edilmiştir. RGB görüntüler için %32,72 olan F1 skoru, SWIR görüntülerinde %41,62 ve multispektral görüntülerde %89,09 olarak kaydedilmiştir. Sonuç olarak, bu çalışma kapsamında derin öğrenme temelli bir sınıflandırma modeli ile, gözle ayırt edilmesi güç malzemelerin tespiti hedeflenmiş; multispektral görüntüleme yönteminin, sınıflar arası ayırt ediciliği artırarak daha başarılı sonuçlar sunduğu ortaya konmuştur.