Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi

Yıl 2021, , 84 - 92, 01.08.2021

Umut Özkaya , Levent Seyfi

https://doi.org/10.29128/geomatik.703218

Cited By: 3

Öz

Bu çalışmada, Yere Nüfuz eden Radar (YNR) B tarama görüntülerinin analizi için az parametre sayısına sahip K-En Yakın Komşuluk (K-EYK) algoritma tabanlı bir Konvolüsyonel Sinir Ağı (KSA) yapısı önerilmiştir. Önerilen KSA yapısı içerisinde farklı filtre boyutuna ve sayına sahip beşer adet konvolüsyon katmanı bulunmaktadır. Aynı zamanda blok adı verilen yapı ile önerilen KSA modelinin yapısı daha da görselleştirilmiştir. Karşılaştırmalı analiz çerçevesinde önerilen KSA modeli ön eğitimli KSA modelleri ile beraber değerlendirilmiştir. Analiz metrikleri olarak doğruluk, keskinlik, duyarlılık ve F1 skoru kullanılmıştır. Önerilen KSA yapısı, YNR cihazı tespitinde %97.16 doğruluk, %97.31 keskinlik, %97.04 duyarlılık ve %97.18 F1 skoru; tarama frekansı tespitinde %94.88 doğruluk, %95.02 keskinlik, %95.49 duyarlılık ve %95.24 F1 skoru; toprak çeşidi tespitinde %90.63 doğruluk, %90.50 keskinlik, %90.83 duyarlılık ve %90.66 F1 skoru metrik değerlerine sahiptir. Önerilen KSA yapısı YNR cihaz tespiti ve tarama frekansı tespitinde en yüksek performansı gösterirken toprak çeşidi tespitinde ön eğitimli KSA yapıları ile beraber en yüksek üçüncü performansı sergilemiştir. Karşılaştırmalı analizler önerilen KSA yapısının düşük parametre sayısı ile yüksek sınıflama yüzdesi elde ettiğini göstermiştir.

Anahtar Kelimeler

Yere Nüfuz Eden Radar

Kaynakça

• Benedetto A. ve Benedetto F. (2011). Remote Sensing of Soil Moisture Content by GPR Signal Processing in the Frequency Domain. IEEE Sensors Journal, 11 (10), 2432–2441.
• Cover T. M. ve Hart P. E., (1967). Nearest neighbor pattern classification. IEEE Trans Inf Theory. 13(1), 21–7.
• El-Mahallawy M. S. ve Hashim M. (2013). Material Classification of Underground Utilities From GPR Images Using DCT-Based SVM Approach. IEEE Geoscience and Remote Sensing Letters, 10 (6), 1542–1546.
• Frigui H., Ho K. C. ve Gader P. (2005). Real-time Landmine Detection with Ground-penetrating Radar Using Discriminative and Adaptive Hidden Markov Models. EURASIP J. Adv. Signal Process, 1867–1885.
• Gader P. D., Mystkowski M. ve Zhao Y. (2001). Landmine detection with ground penetrating radar using hidden Markov models. IEEE Transactions on Geoscience and Remote Sensing, 39 (6), 1231–1244.
• Gader P., Lee W. H. ve Wilson J. N. (2004). Detecting landmines with ground-penetrating radar using feature-based rules, order statistics, and adaptive whitening. IEEE Transactions on Geoscience and Remote Sensing, 42 (11), 2522–2534.
• Hinton G. E., (2007). Learning multiple layers of representation. Trends Cogn. Sci., 11 (10), 428–434.
• Kovalenko V., Yarovoy A. G. ve Ligthart L. P. (2007). A Novel Clutter Suppression Algorithm for Landmine Detection With GPR. IEEE Transactions on Geoscience and Remote Sensing, 45 (11), 3740–3751.
• Krizhevsky A., Sutskever I. ve Hinton G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 25, 1097–1105.
• Manandhar A., Torrione P. A., Collins L. M. ve Morton K. D. (2015). Multiple-Instance Hidden Markov Model for GPR-Based Landmine Detection. IEEE Transactions on Geoscience and Remote Sensing, 53 (4), 1737–1745.
• Öztürk, Ş., ve Akdemir, B. (2019). Cell‐type based semantic segmentation of histopathological images using deep convolutional neural networks. International Journal of Imaging Systems and Technology, 29(3), 234-246.
• Öztürk, Ş., ve Akdemir, B. (2019). HIC-net: A deep convolutional neural network model for classification of histopathological breast images. Computers & Electrical Engineering, 76, 299-310.
• Pasolli E., Melgani F. ve Donelli M. (2009). Automatic Analysis of GPR Images: A Pattern-Recognition Approach. IEEE Transactions on Geoscience and Remote Sensing, 47 (7), 2206–2217.
• Ruuska S., Hämäläinen W., Kajava S., Mughal M., Matilainen P. ve Mononen J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural processes. 148, 56-62.
• Shihab S. ve Al-Nuaimy W. (2005). Radius Estimation for Cylindrical Objects Detected by Ground Penetrating Radar. Subsurf Sens Technol Appl., 6 (2), 151–166.
• Singh N. P. ve Nene M. J. (2013). Buried object detection and analysis of GPR images: Using neural network and curve fitting. 2013 Annual International Conference on Emerging Research Areas and 2013 International Conference on Microelectronics, Communications and Renewable Energy, 1–6.