Deep Learning based Ship Variants Classification Using Different Scale Images

Öz

Nowadays, trade based on logistics and sea transportation has gained importance. Considering the traffic related to this, the classification and discrimination of ship types are important in terms of transportation and storage costs, and safety. The classification of ships performing different tasks on the sea is handled in this study, and a ship image dataset has been created in order to make a high accuracy ship classification thanks to deep learning methods. It is preferred in our deep learning study in comparison to the classical machine learning method, as the features are semantically richer as the higher level, while expressing content from the dataset. It was created by the acquisition of various ship images thanks to the web scraping method. YOLOv5 and Xception deep learning models were trained to obtain the most appropriate classification performance. As a result of the experiments, an accuracy rate of approximately between 96% and 99% was achieved with both models. Scientific findings and discussion are included in our study as well.

Anahtar Kelimeler

• Deep Learning
• Ship Classification
• Image Processing.

Gemi Çeşitlerinin Derin Öğrenme Tabanlı Sınıflandırılmasında Farklı Ölçeklerdeki Görüntülerin Kullanımı

Öz

Günümüzde lojistik ve deniz ulaşımına dayanan ticaret oldukça önem kazanmıştır. Buna dair oluşan trafik göz önüne alındığında gemi çeşitlerinin sınıflandırılarak ayrıştırılması, taşıma, depolama maliyetleri açısından ve güvenlik konusunda önem arz etmektedir. Deniz üzerinde farklı görevleri icra etmekte olan gemilerin sınıflandırılması bu çalışmada ele alınarak, derin öğrenme yöntemleri sayesinde yüksek doğrulukta bir gemi sınıflandırma yapılabilmesi için gemi görüntüleri veri kümesi oluşturulmuştur. Veri kümesinden elde edilen içeriği ifade ederken özniteliklerin daha yüksek seviyeden anlamsal olarak zengin olmasından dolayı, klasik makine öğrenmesi yöntemine kıyasla derin öğrenme çalışmamızda tercih edilmiştir. Derin öğrenme modellerinin eğitiminde ve test edilmesinde kullanılmak üzere bu veri kümesi açık kaynaklı Internet sitelerinden ağ kazıma (web scraping) yöntemi sayesinde çeşitli gemi görüntülerinin edinimi ile oluşturulmuştur. YOLOv5 ve Xception derin öğrenme modelleri eğitilerek en uygun sınıflandırma başarımı elde edilmiştir. Deneyler sonucunda her iki model ile yaklaşık olarak %96 ilâ %99 arası doğruluk oranında başarım değerine ulaşılmıştır. Varılan bilimsel bulgulara ve tartışmaya çalışmamızda yer verilmektedir.

Anahtar Kelimeler

• Derin Öğrenme
• Gemi Sınıflandırma
• Görüntü İşleme.

Kaynakça

1. Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G., Davis, A., Dean, J. et al., 2016, TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. Distributed, Parallel, and Cluster Computing (cs.DC); Machine Learning (cs.LG) arXiv Preprint, arXiv: 1603.04467.
2. Cho M., 2013, Unsplash, https://unsplash.com/
3. Chollet, F., 2016, Xception: Deep Learning with Depth wise Separable Convolutions, arXiv Preprints. arXiv:1610.02357v3
4. Daniel Y.C., 2018, Pandas for Everyone: Python Data Analysis. Addison-Wesley, Boston: ISBN 978-0-13-454693-3.
5. Dolapcı, B., Özcan, C., 2021. Automatic Ship Detection and Classification using Machine Learning from Remote Sensing Images on Apache Spark, Journal of Intelligent Systems: Theory and Applications, 4(2), 94-102.
6. Getty, M., 2007, GettyImages, https://www.gettyimages.com/
7. Harris, C.R., Millman, K.J., van der Walt, S.J. et al., 2020, Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
8. Jiang P.,, Ergu, D.,, Liu, F., Cai, Y.,, Bo, M., A , 2022, Review of Yolo Algorithm Developments, Procedia Computer Science, 10(1), 1066-1073, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2022.01.135.

9. Karasulu, B., 2018. Kısıtlanmış Boltzmann makinesi ve farklı sınıflandırıcılarla oluşturulan sınıflandırma iş hatlarının başarımının değerlendirilmesi, Bilişim Teknolojileri Dergisi, 11(3), 223-233.
10. LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W., Jackel, L.D., 1989, Backpropagation Applied to Handwritten Zip Code Recognition, Neural Computation, 1(4), 541-551.
11. Lekkas, D., 2007, Marine Traffic: https://www.marinetraffic.com/en/ais/home/centerx:2.8 Livingstone, B., 2000, IStockPhoto, https://istockphoto.com/
12. Lorica, B., 2017, Why AI and machine learning researchers are beginning to embrace PyTorch, O'Reilly Media.
13. Lowe, D.G., 2004, Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision 60 (1), 91–110.
14. Obrecht, C., 2014, Pexels, https://www.pexels.com/
15. Reitz, K., A., 2022, Requests Python HTTP, https://docs.python-requests.org/en/latest/
16. Richardson, L., 2021, Beautiful Soup Python Kütüphanesi. https://www.crummy.com/software/BeautifulSoup/bs4/doc/
17. Rosenfeld, L., Morville P., Arango, J., 2015, Information Architecture for the web and beyond. O'Reilly Media, Inc. ISBN 9781491911686.
18. Zhenzhen, L., Baojun, Z., Linbo, T., Zhen, L. and Fan, F., 2019, Ship classification based on convolutional neural networks. The Journal of Engineering, 7343-7346. https://doi.org/10.1049/joe.2019.0422