Gemi tiplerinin tanınmasi, denizcilik sektöründe ihtiyaç duyulan ve ilgi ceken bir uygulamadir. Literatürdeki çalışmaların büyük bir kısmı kıyı kameraları tarafından çekilen görüntülerin, radar görüntülerinin veya ses özelliklerinin kullanımına odaklanmıştır. Görüntü tabanlı tanıma durumunda, çok sayıda ve çeşitlilikte gemi görüntüsünün toplanması gerekir. Ses tabanlı tanıma durumunda ise, sistemlerin performansi arka plan gürültüsünden olumsuz etkilenebilir. Bu çalışma, görüntü tabanlı bir derin öğrenme ağı ile ses-frekans alanı özelliklerini kullanan bir yöntem sunmaktadir. Yöntem, gemilerin ses kayıtlarının hızlı Fourier dönüşümünü hesaplar ve elde edilen spektrumlari resim formatinda kaydeder. Bu resimler sınıflandırma için ResNet50 ağına verilir. Önerilen yöntemin performansını test etmek için dokuz farklı gemi tipine sahip erisime acik bir veri seti kullanılmıştır. Elde edilen sonuçlara göre onerilen metot %99 siniflandirma basarisi saglamistir.
Sinyal isleme gemi tipi siniflandirma ResNet50 mel frekansi kepstral katsayilari
Ship type recognition has gained serious interest in applications required in the maritime sector. A large amount of the studies in literature focused on the use of images taken by shore cameras, radar images, and audio features. In the case of image-based recognition, a very large number and variety of ship images must be collected. In the case of audio-based recognition, systems may suffer from the background noise. In this study, we present a method, which uses the frequency domain characteristics with an image-based deep learning network. The method computes the fast Fourier transform of sound records of ships and generates the frequency vs magnitude graphs as images. Next, the images are given into the ResNet50 network for classification. A public dataset with nine different ship types is used to test the performance of the proposed method. According to the results, we obtained a 99% accuracy rate.
Birincil Dil | İngilizce |
---|---|
Konular | Mühendislik |
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 31 Ocak 2023 |
Gönderilme Tarihi | 27 Temmuz 2022 |
Kabul Tarihi | 20 Ocak 2023 |
Yayımlandığı Sayı | Yıl 2023 Cilt: 10 Sayı: 1 |
Açık Dergi Erişimi (BOAI)
Bu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır.