Yapay Sinir Ağları Kullanılarak Yere Nüfuz Eden Radar Verilerinden Mayın Tespiti

Öz

Kara mayını tespiti, ekonomik büyüme ve kalkınma zemininde kara mayınlarının insanların yaşamları üzerindeki olumsuz etkilerinin endişesi nedeniyle muazzam ve aslında büyüyen bir konu olmuştur. Bu makalede, yukarıda bahsedilen problemin üstesinden gelmek için yaygın olarak kullanılan bazı yapay sinir ağı yöntemleri incelenmiştir. Öncelikle yer radarlarından elde edilen veriler, yanıltıcı yer etkisi ve gürültünün azaltılması için işlenmiştir. Tek katmanlı ve çok katmanlı algılayıcılara ilişkin Adaline ve Madaline Yapay Sinir Ağı mimarileri, önceden işlenmiş veriler üzerinde gerçeklenmiştir. Gerçekleştirmenin sonucuna göre 208 bileşenden oluşan her bir girdi deseni için 60 veri işlenmiş ve işlem adımı öncesinde ileriye yayılma ve ardından geri yayılımdan yararlanılmıştır. Tek katmanlı Perceptron Yapay Sinir Ağı yöntemi %98.112 başarı oranı ile en iyi sonuçları vermiştir. Ayrıca sistemin tamamı, farklı öğrenme katsayıları, yineleme sayıları ve momentum sabitleri temelinde farklı Yapay Sinir Ağı mimarisiyle test edilmiştir. Bu problemin üstesinden gelmek için önerilen metodoloji, gömülü nesneler ve toprak tipi tespiti üzerinde yüksek doğruluk oranlarının elde edilmesiyle sonuçlanmıştır.

Anahtar Kelimeler

• Mayın tarama
• Yere nüfuz eden radar
• Yapay sinir ağları

Mine Detection Through Ground Penetrating Radar Data Utilizing Artificial Neural Networks

Öz

Landmine detection has been a tremendous and, in fact, growing issue due to the concern of land mines’ adverse effect on people’s lives on the ground of economic growth and development. In this article, some of the artificial neural network methods which are commonly used to tackle the afore-mentioned problem have been explored. First of all, data that have been obtained on ground penetrating radars have been processed so as to decrease the misleading ground effect and noise. Adaline and Madaline Artificial Neural Network architectures regarding single-layer and multi-layer perceptrons have been implemented on the pre-processed data. According to the result of the implementation, for each input pattern that consists of 208 components, 60 data have been processed and, prior to processing step, forward-propagation, followed by, back-propagation have been leveraged. Single-layer Perceptron Artificial Neural Network method have yielded the best results with the success rate of 98.112%. Furthermore, the overall system has been tested with different architecture of the Artificial Neural Network based on different learning coefficients, iteration numbers and momentum constants. The proposed methodology to tackle this problem has resulted in obtaining high accuracy rates on buried objects and soil type detection.

Anahtar Kelimeler

• Mine detection
• Ground Penetrating Radar
• Artificial neural networks

Kaynakça

1. O. Kalender, “Geçmişten Günümüze Mayın Belirleme Çalışmaları ve Manyetik Anomali Yöntemi ile Kara Mayınlarının Belirlenmesi”, Politeknik Dergisi, 11 (1), 1-8, 2008.
2. Z. Zyada., K. Yasuhiro, S. Shinsuke, M. Takayuki, H. Yasuhisa, and F. Toshio, “GPR Environmental-Based Landmine Automatic Detection”, Maki K. Habib (Ed.), I-Tech Education and Publishing, DOI:10.5772/5412, 2008.
3. MA. Mohana, SM. Ebrahim, AM. Abbas, KK. Mansour, HS. Mesbah, “Landmine Characterization Applying GPR Assessment and Modeling Approaches”, Journal of Remote Sensing & GIS 4: 150, 2015.
4. X. Nunez-Nieto, M. Solla, P. Gomez-Perez, H. Lorenzo, “GPR Signal Characterization for Automated Landmine and UXO Detection Based on Machine Learning Techniques”, Remote Sensing, 6, pp. 9729-9748, doi:10.3390/rs6109729, 2014.
5. G.L. Plett, T. Doi, D. Torrieri, “Mine detection using scattering parameters and an artificial neural network”, IEEE Trans. Neural Networks, 8, pp. 1456–1467, 1997.
6. A. Swydan, M. Elghafri, M. Al Wadeya, M. El-Tarhuni and N.Qaddoumi, “An Anti Personal Landmine Detection Scheme Based on Microwave Imaging”, Department of Electrical Engineering, 2007, American University of Sharjah, P.O. Box 26666,Sharjah, UAE.
7. J.Groenenboom, A. Yarovoy, “Data Processing and Imaging in GPR System Dedicated for Landmine Detection”, Subsurface Sensing Technologies and Applications, 3, No. 4, 2002.
8. R. Achkar, M. Owayjan, “Landmine Detection and Classification Using MLP”, Third International Conference on Computational Intelligence, Modelling & Simulation, 2011, Langkawi, Malaysia, Sept, 20-22, 2011.

9. A.György, T. Barbarics, J. Padanyi, Z. Puspoki, “Application of neural networks in mine detection” Conference: Mobile Robotics - Solutions and Challenges - The Twelfth International Conference on Climbing and Walking Robots and the Support Technologies for Mobile Machines, Mobile Robotics, Singapore, pp. 389-396, January 2009.
10. X.Zhang, S.Esen, P. Gader, J. Wilson, “Simultaneous feature and HMM Model learning for landmine detection using Ground Penetrating Radar”, Conference: Pattern Recognition in Remote Sensing (PRRS), IAPR Workshop on Pattern Recognition in Remote Sensing, Istanbul, Turkey, Aug 2010.
11. S.Yuksel, J. Bolton, P.D.Gader, “Landmine Detection With Multiple Instance Hidden Markov Models”, IEEE International Workshop on Machine Learning for Signal Processing, Santander, Spain, Sept. 2012.
12. D.Çolak, “Yere Nüfuz Eden Radar Sinyallerinin İşlenmesi ile Hedef Tespiti”, Başkent Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Ankara, 2018.
13. B. Saleh, “Introduction to Subsurface Imaging”, Cambridge CB2 1TN, United Kingdom, pp.161-163,2011.
14. T.Lo and P. L Inderwiesen,“Fundamentals of Seismic Tomography”, Geophysical Monograph Series, Society of Exploration Geophysicists, 6, pp. 1-44,1994.
15. J.Daniels D., “Ground Penetrating Radar–2nd Edition”, London, United Kingdom, pp. 3, 2004.
16. M.A.Ç. Tuncer, “Basamak Frekanslı Yere İşleyen Radar (GPR) İçin Seyreklik Tabanlı Hızlı Yeraltı Görüntüleme Yöntemlerindeki Problemlere Çözümler”, Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi Fen Bilimleri Enstitüsü, Ankara,2011.
17. M.Orhan, “Çok Geniş Bantlı Radar ile Gizlenmiş Hedef Tespit ve Takibi İçin Görüntüleme Algoritmalarının Geliştirilmesi”, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2016.
18. A. Alper, “Yere Nüfuz Eden Radar (YNR) Görüntülerinin Elde EdilmesindeZaman Bölgesinde Sonlu Farklar (FDTD) Metodunun Kullanılması”, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, 2011.
19. A.C. Gurbuz and M.Duman, “3D imaging for groundpenetrating radars via dictionary dimension reduction”, Turkish Journal of Electrical Engineering and Computer Sciences, 23,(5), pp. 1242-1256, 2012. A. Arı, and M.E.Berberler, “Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı”, Acta Infologica, vol 1, num 2, pp. 55-73, 2017.
20. D.Svozil, V.Kvasnicka and J.Prospichal, “Introduction to multi-layer feed-forward neural Networks”, Chemometrics and Intelligent Laboratory Systems, 39, pp. 43-62, 1997.
21. D.J.Montana, L.Davis, “Training feedforward neural networks using genetic algorithms”, IJCAI'89:, Proceedings of the 11th international joint conference on Artificial intelligence, San Francisco, CA, United States, vol 1, pp. 762-767, August 20-25 1989.
22. V. Bevilacqua, M. Dotolli, M.M. Foglia, F.Acciani, G.Tattoli and M.Valori, “Artificial neural networks for feedback control of a human elbow hydraulic prosthesis”, Neurocomputing, 137, pp. 3-11, 2014.
23. K. Öztürk and M.E.Şahin, “Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış”, Takvim-i Vekayi, vol 6, num 2, pp. 25-36.
24. M. Gupta, “4 Layer Dense Neural Net using TensorFlow” [Online], https://www.kaggle.com/ mohitguptaomg/4-layer-dense-neural-net-usingtensorflow, Persuing Masters of Data Science at Monash University Clayton, Victoria, Australia, 2017, [ Visit Date: 10 Sept 2021].