Deep Learnıng Based Detectıon And Classıfıcatıon Of Unmanned Aerıal Vehıcles

İnsansız hava araçları (İHA) son yıllarda yaygın şekilde kullanılmaktadırlar. Sayıları ve çeşitleri artan bu hava araçlarının yetenekleri önemli ölçüde geliştirilmiştir. Bu durum, kritik bölgelerde İHA’ları tespit etmeyi ve sınıflandırmayı zorunlu hale getirmiştir. Bu tezde, İHA’ları öznitelik görüntüleriyle tespit etmek ve sınıflandırmak amacıyla bir model önerilmiştir. Öznitelik görüntülerini birbirinden ayırmak için derin öğrenmenin bir algoritması olan evrişimli sinir ağları (ESA) araştırılmıştır. Kısa zamanlı Fourier dönüşümü (KZFD), Mel frekans kepstral katsayıları (MFKK) ve Gramian açısal alan dönüşümü (GAAD) kullanılarak üç öznitelik görüntüsü çıkarım yöntemi önerilmiştir. Ortamsal gürültüye ve iki İHA’ya ait gerçek dış ortamda toplanmış akustik sinyallerden faydalanılarak oluşturulan öznitelik görüntüleri ESA’nın eğitimi ve testi için kullanılmıştır. Önerilen modelin öznitelik görüntüsü çıkarım yöntemine ve mesafeye göre performans değerlendirmesi yapılmıştır. İHA ve kayıt alan mikrofon arasındaki mesafeye göre üç farklı veri kümesi oluşturulmuştur. Veri kümesi-1, veri kümesi-2 ve veri kümesi-3, sırasıyla 1-100 metre, 1-300 metre ve 1-500 metre arasında kaydedilen akustik sinyalleri içermektedirler. Ayrıca, bu veri kümelerine ortamsal gürültü kayıtları da eklenmiştir. Bu veri kümeleri için, ESA ayrı ayrı eğitilmiş ve eğitimde kullanılmayan öznitelik görüntüleriyle test edilmiştir. Deneysel sınıflandırma sonuçları, ESA’nın KZFD kullanılarak elde edilen öznitelik görüntüleriyle eğitildiğinde, veri kümeleri için sırasıyla %96.4, %87.0 ve %85.6 makro f-ölçüm değerlerine ulaştığını göstermiştir. MFKK kullanılarak %94.0, %78.0 ve %78.3 ve GAAD kullanılarak %82.9, %67.4 ve %63.9 makro f-ölçüm değerlerine ulaşılmıştır. Sonuçlara göre yüksek sinyal gürültü oranına sahip akustik sinyallerle elde edilen öznitelik görüntülerinin ESA tarafından daha yüksek başarıyla sınıflandırıldığı gösterilmiştir. KZFD yönteminin MFKK ve GAAD yöntemlerine göre daha güçlü olduğu gösterilmiştir.The number and variety of unmanned aerial vehicles (UAVs) have increased, and their capabilities have been improved in recent years. This necessitates the detection and classification of UAVs in mission-critical applications. In this thesis, a model is proposed to detect and classify UAVs based on their feature images. We investigate convolutional neural networks (CNN), a subset of deep learning, to distinguish feature images. The feature images extracted from short-time Fourier transform (STFT), Mel-frequency cepstral coefficients (MFCC) and Gramian angular field transformation (GAFT) are used for training and testing of the CNN. We exploit acoustic signals of two commercial UAVs collected at actual outdoor environments, as well as ambient-noise for feature images extraction. The proposed model is evaluated in term of feature images extraction methods and distance. Three datasets are constructed based on the distance between UAV and the recording microphone. Dataset-1, dataset-2 and dataset-3 include acoustic signals recorded between 1-100 meters, 1-300 meters and 1-500 meters, respectively. Then, ambient-noise recordings are added to the datasets. For the datasets, the CNN is separately trained, and tested with unseen data. The experimental classification results show that the network achieves macro f-score of 96.4%, 87.0% and 85.6% using STFT feature images for the datasets respectively. MFCC technique yields macro f-score of 94.0%, 78.0% and 78.3%, and GAFT, 82.9%, 67.4% and 63.9%. According to the results, the CNN classify the feature images obtained with acoustic signals having high signal-to-noise ratio with higher success. STFT method outperforms MFCC and GAFT methods in term of robustness