Research Article

Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi

Volume: 18 Number: 2026 September 24, 2026
TR EN

Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi

Abstract

Bu çalışma, modern güvenlik sistemlerinin en kritik ihtiyaçlarından biri olan kesici aletlerin otomatik tespiti için güncel derin öğrenme mimarilerinin etkinliğini araştırmaktadır. Araştırma kapsamında, farklı çevresel koşulları temsil eden geniş kapsamlı bir veri seti kullanılarak; YOLOv8, RT-DETR, RetinaNet ve SSD + MobileNetV3 modelleri üzerinden karşılaştırmalı bir analiz yürütülmüştür. Modellerin performansı sadece statik görseller üzerinden değil, aynı zamanda bilgisayar kamerası aracılığıyla alınan gerçek zamanlı video akışları üzerinde de test edilerek pratik uygulama kabiliyetleri değerlendirilmiştir. Çalışma ile farklı mimarilerin hız ve doğruluk dengeleri analiz edilerek, değişken çevresel koşullardaki performans karakteristikleri belirlenmiştir. Elde edilen genel bulgular, uygulama senaryosunun gereksinimlerine göre en uygun modelin seçilmesine yönelik bütüncül bir deneysel çerçeve sunmaktadır.

Keywords

References

  1. United Nations Office on Drugs and Crime. Global Study on Homicide 2023. https://www.unodc.org/unodc/en/data-and-analysis/global-study-on-homicide.html (Erişim Tarihi: 17.01.2026).
  2. Zhao ZQ, Zheng P, Xu ST, Wu X. Object detection with deep learning: A review. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212-3232, 2020.
  3. Pérez-Hernández F, Tabik S, Lamas A, Olmos R, Fujita H, Herrera F. Object detection binary classifiers methodology based on deep learning to identify small objects handled similarly: Application in video surveillance. Knowledge-Based Systems, 194, 105590, 2020.
  4. Zulfqar S, Saeed S, Zia MA, Ali A, Mehmood F, Ali A. A comprehensive overview of deep learning models for object detection from videos/images. International Journal of Artificial Intelligence and Soft Computing, 2026.
  5. Amador-Salgado Y, Padilla-Medina JA, Pérez-Pinal FJ, Barranco-Gutiérrez AI, Rodríguez-Licea MA, Martínez-Nolasco JJ. Knife detection using indoor surveillance camera. 2021 IEEE World AI IoT Congress (AIIoT), Texas, USA, 10-13 May 2021.
  6. Berardini D, Migliorelli L, Galdelli A, Frontoni E, Mancini A, Moccia S. A deep-learning framework running on edge devices for handgun and knife detection from indoor video-surveillance cameras. Multimedia Tools and Applications, 83(7), 19109-19127, 2024.
  7. Ağdaş MT, Gülseçen S. Güvenlik kameralarında otomatik silah ve bıçak tespit sistemi: Karşılaştırmalı YOLO modelleri. Avrupa Bilim ve Teknoloji Dergisi, (41), 16-22, 2022.
  8. Huynh SPT, Dang TQ, Nguyen HD, Tran PNH, Nguyen NQV. Knife detection using YOLOv5: A deep learning approach. Proceedings of the 2024 9th International Conference on Intelligent Information Technology, Da Nang, Vietnam, 23-25 February 2024.

Details

Primary Language

Turkish

Subjects

Deep Learning

Journal Section

Research Article

Publication Date

September 24, 2026

Submission Date

February 3, 2026

Acceptance Date

June 15, 2026

Published in Issue

Year 2026 Volume: 18 Number: 2026

APA
Karabıyık, M., & Kayaalp, K. (2026). Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi. Uluslararası Teknolojik Bilimler Dergisi, 18(2026). https://doi.org/10.55974/utbd.1881140
AMA
1.Karabıyık M, Kayaalp K. Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi. IJTS. 2026;18(2026). doi:10.55974/utbd.1881140
Chicago
Karabıyık, Mukaddes, and Kıyas Kayaalp. 2026. “Gerçek Zamanlı Bıçak Tespiti Için Derin öğrenme Modellerinin Karşılaştırmalı Analizi”. Uluslararası Teknolojik Bilimler Dergisi 18 (2026). https://doi.org/10.55974/utbd.1881140.
EndNote
Karabıyık M, Kayaalp K (September 1, 2026) Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi. Uluslararası Teknolojik Bilimler Dergisi 18 2026
IEEE
[1]M. Karabıyık and K. Kayaalp, “Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi”, IJTS, vol. 18, no. 2026, Sept. 2026, doi: 10.55974/utbd.1881140.
ISNAD
Karabıyık, Mukaddes - Kayaalp, Kıyas. “Gerçek Zamanlı Bıçak Tespiti Için Derin öğrenme Modellerinin Karşılaştırmalı Analizi”. Uluslararası Teknolojik Bilimler Dergisi 18/2026 (September 1, 2026). https://doi.org/10.55974/utbd.1881140.
JAMA
1.Karabıyık M, Kayaalp K. Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi. IJTS. 2026;18. doi:10.55974/utbd.1881140.
MLA
Karabıyık, Mukaddes, and Kıyas Kayaalp. “Gerçek Zamanlı Bıçak Tespiti Için Derin öğrenme Modellerinin Karşılaştırmalı Analizi”. Uluslararası Teknolojik Bilimler Dergisi, vol. 18, no. 2026, Sept. 2026, doi:10.55974/utbd.1881140.
Vancouver
1.Mukaddes Karabıyık, Kıyas Kayaalp. Gerçek zamanlı bıçak tespiti için derin öğrenme modellerinin karşılaştırmalı analizi. IJTS. 2026 Sep. 1;18(2026). doi:10.55974/utbd.1881140