Browsing by Author "Dalveren, Yaser"

Now showing 1 - 20 of 65

77 Ghz Radar Sistemleri için Mikroşerit Anten Tasarımı ve Analizi
(2023) Yılmaz, Selen; Dalveren, Yaser; Kara, Ali
Bu tez, 77 GHz otomobil radarı için seri beslemeli mikroşerit yama dizi antenin tasarımı ve operasyonel davranışına yönelik kapsamlı araştırmasını takdim etmektedir. Öncelikli olarak, mikroşerit anten, yama dizi anten, frekans taramalı dizi anten ve Chebyshev dizi anten teorisi hakkında teorik altyapı bilgisi temin edilmiştir. Antenleri tasarlamak ve boyutlarını hassas bir şekilde ayarlamak için sonlu eleman metoduna dayalı tam dalga simülasyon aracı kullanılmıştır. İlk aşamada, 76.5 GHz rezonans frekansında çalışan seri beslemeli doğrusal Chebyshev dizi anten bir verici kanalını temsil etmesi üzerine tasarlanmıştır. Kazancı geliştirmek için toprak-sinyal-toprak geçiş yapısında kullanılmak üzere kısa devre pinlerinden yararlanılmıştır. Pinsiz ve pinli tasarımların bant genişliği ve kazanç bakımından karşılaştırmalı analizi yapılmıştır. Son aşamada, 76.5 GHz doğrusal dizi yama anten 79 GHz doğrusal dizi yama antene GSG geçiş yapısı boyutları optimize edilerek ve her bitişik iki yama elemanı arasındaki aralıklandırma ve yama elemanı uzunlukları ölçeklenerek dönüştürülmüştür. Ölçeklendirme yönteminin etkisini değerlendirebilmek adına bu aşamada iki tasarım sunulmuştur. Bu iki dizi yama anten tasarımının operasyonel özelliklerinin ana kulak yönlendirilme açısı, empedans bant genişliği, total kazanç ve yan kulak baskılanması bakımından karşılaştırmalı analizi yapılmıştır.
868 MHz Frekansında Açık Alan Ortamlarında Kısa Menzilli IoT Uygulamaları için XBee P2P Bağlantılarının Yayılım Çalışması
(2025) Dalveren, Yaser; Cerci, Emre
Bu çalışma, dış ortamlarda 868 MHz'de çalışan XBee modüllerini kullanan kısa menzilli noktadan noktaya (P2P) kablosuz iletişim için bir ön yayılma analizi sunmaktadır. Kısa menzilli Nesnelerin İnterneti (IoT) uygulamaları bağlamında XBee P2P bağlantılarının doğrudan planlanmasını ve dağıtımını kolaylaştırmak için kentsel, banliyö ve kırsal ortamlarda görüş hattı (LOS) koşulları altında ampirik ölçümler yapılmıştır. Serbest Uzay Yol Kaybı (FSPL), İki Işınlı Zemin Yansıması, Log-mesafe, Hata-Okumura ve Cost231-Hata dahil olmak üzere beş iyi bilinen ampirik yol kaybı modelinin performansı, Alınan Sinyal Gücü Göstergesi (RSSI) verilerine dayanarak değerlendirilmiştir. Bulgular, FSPL modelinin kırsal alanlarda en yüksek doğruluk seviyesini gösterirken, Log-distance modelinin kentsel ve banliyö bağlamlarında daha iyi performans sergilediğini göstermektedir. Buna karşılık, Two-Ray ve Cost231-Hata modelleri tüm ortamlarda ölçülen verilerle nispeten sınırlı derecede uyum göstermektedir. Bu bulguların, dış mekan IoT ortamlarında enerji tasarruflu ve uygun maliyetli XBee tabanlı P2P ağlarının basit bir şekilde konuşlandırılması için değerli bilgiler sunması beklenmektedir.
Citation - WoS: 2
Citation - Scopus: 2
Advancing Mmwave Altimetry for Unmanned Aerial Systems: a Signal Processing Framework for Optimized Waveform Design
(Mdpi, 2024) Awan, Maaz Ali; Dalveren, Yaser; Kara, Ali; Derawi, Mohammad
This research advances millimeter-wave (mmWave) altimetry for unmanned aerial systems (UASs) by optimizing performance metrics within the constraints of inexpensive automotive radars. Leveraging the software-defined architecture, this study encompasses the intricacies of frequency modulated continuous waveform (FMCW) design for three distinct stages of UAS flight: cruise, landing approach, and touchdown within a signal processing framework. Angle of arrival (AoA) estimation, traditionally employed in terrain mapping applications, is largely unexplored for UAS radar altimeters (RAs). Time-division multiplexing multiple input-multiple output (TDM-MIMO) is an efficient method for enhancing angular resolution without compromising the size, weight, and power (SWaP) characteristics. Accordingly, this work argues the potential of AoA estimation using TDM-MIMO to augment situational awareness in challenging landing scenarios. To this end, two corner cases comprising landing a small-sized drone on a platform in the middle of a water body are included. Likewise, for the touchdown stage, an improvised rendition of zoom fast Fourier transform (ZFFT) is investigated to achieve millimeter (mm)-level range accuracy. Aptly, it is proposed that a mm-level accurate RA may be exploited as a software redundancy for the critical weight-on-wheels (WoW) system in fixed-wing commercial UASs. Each stage is simulated as a radar scenario using the specifications of automotive radar operating in the 77-81 GHz band to optimize waveform design, setting the stage for field verification. This article addresses challenges arising from radial velocity due to UAS descent rates and terrain variation through theoretical and mathematical approaches for characterization and mandatory compensation. While constant false alarm rate (CFAR) algorithms have been reported for ground detection, a comparison of their variants within the scope UAS altimetry is limited. This study appraises popular CFAR variants to achieve optimized ground detection performance. The authors advocate for dedicated minimum operational performance standards (MOPS) for UAS RAs. Lastly, this body of work identifies potential challenges, proposes solutions, and outlines future research directions.
Bilişsel Radyo Uygulamaları için Yüksek Düzey Kümülant Tabanlı Sınıflandırma
(2023) Al-sudanı, Haıder Jalıl Sahıb; Dalveren, Yaser; Thabit, Ahmed A.
Modern iletişim sistemleri, kablosuz teknoloji uygulamalarındaki büyük gelişme nedeniyle çok hızlı değişikliklere tanık olmuştur. Bu gelişmeler spektrumun kıtlığına ve verimsizliğine neden olmuştur. Bilişsel Radyo (BR), yüksek spektral verimliliği korumak ve spektrum kıtlığını tedavi etmek için en iyi çözümlerden biri olarak önerilmektedir. BR, kanal yetkili kullanıcısının spektrum kanalını ihtiyaçlarının dışında kaldığında yetkisiz kullanıcıya kullanabilmesi için tahsis eder. Fakat spektrum paylaşımı sinyal paraziti olmadan tamamlanmalıdır. Bu nedenle, BR, frekans spektrumunun düzgün yönetimi ve parazitten kaçınma için birçok algılama tekniğine sahiptir. Başlıca algılama teknikleri; Enerji Algılama (EA), Eşleştirilmiş Filtre Algılama (EFA) ve Özellik Tabanlı Algılama (ÖTA) olarak sınıflandırılabilir. Genel olarak algılama tekniklerinin özellikleri irdelendiğinde uygulama alnına göre her birinin avantajları ve sınırlamaları olduğu söylenebilir. Bu tezde, bir ÖTA için makine öğrenmenin kullanıldığı yeni bir yöntem önerilmiştir. Önerilen yöntemin etkinliğinin değerlendirilebilmesi için bir MATLAB ortamında benzetimler gerçekleştirilmiştir. Bu amaçla, öncelikle çeşitli gürültülü kanallarla farklı modülasyon şemaları oluşturulmuştur. Daha sonra, gürültülü kanallarındaki bozuk sinyallerden yüksek dereceli momentlerin ve kümülantların çıkarılması sağlanmıştır. Bu özellikler, sinyal ve gürültüyü ayırt etmedeki güçlerine göre seçilmiştir. Tespit sonuçları, destek vektör makine (DVM) sınıflandırıcısında kullanılarak dedektörden elde edilen tespit olasılıkları (Pd) hesaplanmıştır. En yüksek Pd değerinin, istatistiksel tespitte 3 yüksek dereceli kümülant ile elde edilebileceği gösterilmiştir. Aynı Pd değeri, işlenen veri miktarını azaltan ve detektör karmaşıklığını basitleştiren 1 yüksek dereceli kümülant ile DVM sınıflandırıcısı kullanılarak elde edilebilmektedir.
Bluetooth Sinyanlerinin Radyo Frekansı Parmak İzi Kontrolünde Dalgacık Ayrıştırma Kullanımı
(2021) Al-mashaqbeh, Hemam; Dalveren, Yaser; Kara, Ali
Bu tez, Bluetooth (BT) sinyallerine dayalı olarak cep telefonları gibi belirli cihazları tanımlamak için Radyo Frekansı Parmak izi (RFF) kontrolünü çıkarmak ve kullanmak için yeni bir Açık Sistem Bağlantısı (OSI) Fiziksel (PHY) katman şemasını ele almaktadır. İlk olarak, cep telefonlarından deneysel olarak toplanan BT geçici sinyallerinden parmak izi öznitelikleri çıkarılmıştır. Geçici Bluetooth sinyallerini analiz ettikten sonra, Bluetooth sinyallerini ayrıştırmak için Çift-Ağaç Karmaşık Dalgacık Dönüşümü (DT-CWT) kullanılmıştır. Hem zaman alanı (TD) hem de dalgacık alanı (WD) sinyallerinden öznitelik çıkarımı gerçekleştirilmiştir. Daha sonra sınıflandırma için destekçi vektör makinesi (SVM) sınıflandırıcısı kullanılmıştır. Daha sonra, zaman alanı (TD) ve dalgacık alanı (WD) BT sinyalleri için elde edilen sınıflandırma sonuçları karşılaştırılmıştır. Deneyler, düşük SNR (0 < SNR< 5 dB), orta SNR (5 < SNR < 15 dB), yüksek SNR (15 < SNR < 25 dB) ve çok yüksek gibi farklı SNR seviyeleri ile farklı geçici süreler altında gerçekleştirilmiştir. SNR (25 < SNR < 35 dB). Elde edilen sonuçlar, düşük SNR seviyelerinde kısa geçici sürelerle bile WD'de (en az %88) makul bir doğruluk elde etmenin mümkün olduğunu göstermektedir. TD BT sinyalleri için elde edilen sonuçlarla karşılaştırıldığında, WD BT sinyalleri için daha iyi algılama doğruluğu elde edildiği açıkça görülmektedir. Bu nedenle, DT-CWT kullanımının BT sinyallerinin RF parmak izini çıkarmada açıkça kullanılabileceği sonucuna varılmıştır.
A Case Study on the Assessment of Rf Switch and Splitter Options for Coupling of Transceiver Modules To Bidirectional Antennas Employed in Linear Wireless Sensor Networks
(Wiley, 2021) Dalveren, Yaser; Durukan, Ahmet Mert; Kara, Ali
Recently, a concept of linear wireless sensor networks (LWSNs) has attracted much attention. For such networks, one of the key challenges in sensor node design is to couple transceiver modules with bidirectional antennas placed back-to-back for opposite radiation. As is known, simply, this can be achieved by using well-known coupling options like radio frequency (RF) switch or splitter. However, it is important to decide between two seemingly equally good options according to the system requirements such as RF performance, power consumption, and cost. Therefore, this study aims to comparatively assess these options from the system level point of view to find out what advantages or disadvantages either provides as per the other from widespread use of them in a LWSN-based cathodic protection monitoring of oil and natural gas pipelines in extreme environments. Preliminary field tests are also conducted to validate the efficiency of coupling options for LWSN links. Results show that RF splitter offers low power consumption and cost whereas RF switch has advantages of low loss. Thus, it is believed that this study may provide useful insights to design bidirectional sensor links for LWSNs.
Citation - WoS: 3
Comparative Analysis of Tdoa-Based Localization Methods in the Presence of Sensor Position Errors
(Ieee, 2017) Dalveren, Yaser; Kara, Ali
It is widely known that localization of emitters can be efficiently achieved by time difference of arrival (TDOA) techniques in a multiple sensor system. Several studies have been proposed in the literature to improve the localization accuracy of TDOA techniques. Among these, very few of them have considered the error in the sensor positions although the accuracy of localization is very sensitive to sensor position errors. In this study, existing TDOA-based localization methods in the presence of sensor position errors are briefly discussed, and then they are comparatively analyzed for specific scenarios. To this end, simulations are performed to compare the localization accuracy of the methods, specifically, with high level of sensor positional errors. It is intended to decide an efficient and robust estimator to be used for an ongoing research on passive localization of radar emitters in dense scattering environments.
Citation - WoS: 42
Citation - Scopus: 62
A Database for the Radio Frequency Fingerprinting of Bluetooth Devices
(Mdpi, 2020) Uzundurukan, Emre; Dalveren, Yaser; Kara, Ali
Radio frequency fingerprinting (RFF) is a promising physical layer protection technique which can be used to defend wireless networks from malicious attacks. It is based on the use of the distinctive features of the physical waveforms (signals) transmitted from wireless devices in order to classify authorized users. The most important requirement to develop an RFF method is the existence of a precise, robust, and extensive database of the emitted signals. In this context, this paper introduces a database consisting of Bluetooth (BT) signals collected at different sampling rates from 27 different smartphones (six manufacturers with several models for each). Firstly, the data acquisition system to create the database is described in detail. Then, the two well-known methods based on transient BT signals are experimentally tested by using the provided data to check their solidity. The results show that the created database may be useful for many researchers working on the development of the RFF of BT devices.
Citation - WoS: 14
Citation - Scopus: 26
Deep Learning-Based Vehicle Classification for Low Quality Images
(Mdpi, 2022) Tas, Sumeyra; Sari, Ozgen; Dalveren, Yaser; Pazar, Senol; Kara, Ali; Derawi, Mohammad
This study proposes a simple convolutional neural network (CNN)-based model for vehicle classification in low resolution surveillance images collected by a standard security camera installed distant from a traffic scene. In order to evaluate its effectiveness, the proposed model is tested on a new dataset containing tiny (100 x 100 pixels) and low resolution (96 dpi) vehicle images. The proposed model is then compared with well-known VGG16-based CNN models in terms of accuracy and complexity. Results indicate that although the well-known models provide higher accuracy, the proposed method offers an acceptable accuracy (92.9%) as well as a simple and lightweight solution for vehicle classification in low quality images. Thus, it is believed that this study might provide useful perception and understanding for further research on the use of standard low-cost cameras to enhance the ability of the intelligent systems such as intelligent transportation system applications.
Deniz Yüzeyi Çevresindeki Emitörlerin Lokasyon Tespiti
(2011) Dalveren, Yaser; Kara, Ali
Bu tez, pasif yansıtıcılar ve Coğrafi Bilgi Sistemi (CBS) kullanarak deniz üzerinde veya çevresinde bulunan emitörlerin yerini belirlemeyi amaçlamaktadır. Düşünülen çoklu yayılım modeli, görüş hattı ve iki yansımış yayılım hattı içeren üç ışımalı modeldir. Bu koşullarda, emitörün yerini belirlemek için, yayılım hatları arasındaki varış zaman farkı (VZF) ölçümleri kullanarak, sonlucu ifade çözümüne dayalı doğrusal olmayan denklemlerin çözüm algoritmasının direk ve kısa bir ispatı önerilmiştir. Çalışmada ayrıca, deniz üzerindeki ve çevresindeki yansıtıcıların, elektromanyetik modelleme ve sınıflandırılması da tartışmaktadır. Bu bağlamda, bilinen bazı yansıtıcıların bistatik yansıtma özellikleri analiz edilmekte ve yansıtma katsayıları literatür taraması ile bir araya getirilmektedir. Bir araya getirilen yansıtma katsayılarına göre, saçıcıları sınıflandırmak için veri tablosu sağlanmaktadır. Ayrıca, yer belirleme için verilen yaklaşımın benzetimi yapılmakta ve ölçüm hatasına yönelik basit analizler sunulmaktadır.
Citation - WoS: 4
Citation - Scopus: 5
Deployment and Implementation Aspects of Radio Frequency Fingerprinting in Cybersecurity of Smart Grids
(Mdpi, 2023) Awan, Maaz Ali; Dalveren, Yaser; Catak, Ferhat Ozgur; Kara, Ali
Smart grids incorporate diverse power equipment used for energy optimization in intelligent cities. This equipment may use Internet of Things (IoT) devices and services in the future. To ensure stable operation of smart grids, cybersecurity of IoT is paramount. To this end, use of cryptographic security methods is prevalent in existing IoT. Non-cryptographic methods such as radio frequency fingerprinting (RFF) have been on the horizon for a few decades but are limited to academic research or military interest. RFF is a physical layer security feature that leverages hardware impairments in radios of IoT devices for classification and rogue device detection. The article discusses the potential of RFF in wireless communication of IoT devices to augment the cybersecurity of smart grids. The characteristics of a deep learning (DL)-aided RFF system are presented. Subsequently, a deployment framework of RFF for smart grids is presented with implementation and regulatory aspects. The article culminates with a discussion of existing challenges and potential research directions for maturation of RFF.
Citation - WoS: 6
Citation - Scopus: 9
Design and Optimization of Piezoelectric-Powered Portable Uv-Led Water Disinfection System
(Mdpi, 2021) Sala, Derda E.; Dalveren, Yaser; Kara, Ali; Derawi, Mohammad
Due to the environmental pollution threatening human life, clean water accessibility is one of the major global issues. In this context, in literature, there are many portable water disinfection systems utilizing ultraviolet (UV) radiation. UV water disinfection systems employ piezoelectric-based electric power along with UV light-emitting diode (LED) sources. This paper elaborates on the detailed design and parametric optimization of a portable UV disinfection system. The proposed system aims to generate piezoelectric harvesting-based electrical power simply by shaking, and the generated power is then used to supply UV-LEDs for water disinfection. To this end, overall system parameters along with a physical-mathematical model of mechanical, electrical and biochemical aspects of the system are fully developed. Moreover, the main design parameters of the developed model are derived for optimal operation of the system by employing Genetic Algorithm (GA). Finally, optimal design parameters were identified for three different cost scenarios. The model can further be improved for practical implementation and mass production of the system.
Citation - Scopus: 1
Development of a Digital Communications Course Enriched by Virtual and Remote Laboratory Tools
(2011) Kara,A.; Kara, Ali; Cagiltay,N.; Çağıltay, Nergiz; Dalveren,Y.; Dalveren, Yaser; Kara, Ali; Çağıltay, Nergiz; Dalveren, Yaser; Department of Electrical & Electronics Engineering; Software Engineering; Department of Electrical & Electronics Engineering; Software Engineering
Digital communications is a basic concept for rapidly growing fields of Electrical, Computer and Electronics Engineering like wireless and mobile communication systems, radar and electronic warfare, telemetry and many signal processing techniques. A re-designed digital communications course with ICT (Information and Communication Technologies) based diverse tools including matlab assignments, remote experiments and interactive simulators is described in this study. First, the objectives of the course, learning outcomes and evaluation methods are described. The re-designed course is offered in the last semester at Atilim University, and performance increase in students is compared with the previous year's offering, and by evaluating the course on a topic-based approach. © 2011 IEEE.
Citation - WoS: 8
Citation - Scopus: 15
Distributed denial-of-service attack mitigation in network functions virtualization-based 5G networks using management and orchestration
(Wiley, 2021) Koksal, Sarp; Dalveren, Yaser; Maiga, Bamoye; Kara, Ali
The fifth generation (5G) technology is expected to allow connectivity to billions of devices, known as Internet of Things (IoT). However, IoT devices will inevitably be the main target of various cyberattack types. The most common one is known as distributed denial-of-service (DDoS) attack. In order to mitigate such attacks, network functions virtualization (NFV) has a great potential to provide the benefit of elasticity and low-cost solutions for protecting 5G networks. In this context, this study proposes a new mechanism developed to mitigate DDoS attacks in 5G NFV networks. The proposed mechanism utilizes intrusion prevention system's (IPS) virtual machines (VMs) to intercept the queries. Based on the volume of DDoS traffic, IPS's VMs are dynamically deployed by means of management and orchestration (MANO) in order to balance the load. To evaluate the effectiveness of the mechanism, experiments are conducted in a real 5G NFV environment built by using 5G NFV environment tools. To our best knowledge, this is the first time that NFV-based mechanism is experimentally tested in a real 5G NFV environment for mitigating DDoS attacks in 5G networks. The experimental results verify that the proposed mechanism can mitigate DDoS attacks effectively.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem
(2025) Maıga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Siniflandirmasi için Birden Fazla Aşamali Modüler Bir Yöntem
(2025) Maiga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem
(2025) Maiga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem
(2025) Maıga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlülüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüller Bir Yöntem
(2025) Maiga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Kaliteli Görüntüleme Koşullarında Derin Öğrenmeye Dayalı Araç Sınıflandırması
(2022) Sarı, Özgen; Dalveren, Yaser; Kara, Ali
Günümüzde trafik sıkışıklığının, kazaların ve güvenlik sorunlarının önlenmesi için akıllı ulaşım sistemlerinin (ITS) ve trafik gözetleme sistemlerinin kullanılması çok önemli bir yere sahiptir. Bu tür sistemlerde karayolu taşıtlarının sınıflandırılması önemli kilit zorluklardan biridir. Bu nedenle literatürde araç sınıflandırmasını kolaylaştırmak için şimdiye kadar birçok yöntem önerilmiştir. Çoğunlukla bu yöntemler, yüksek kaliteli kameralardan toplanan yüksek çözünürlüklü görüntüleri kullanır. Ancak, düşük çözünürlüklü görüntüler kullanıldığında araç sınıflandırması kolay bir iş değildir. Buna ek olarak, farklı hava koşulları (yağmurlu, karlı ve puslu) gibi çeşitli çevresel faktörler araç sınıflandırma performansını etkiler. Bu tez, farklı hava koşullarında bir trafik sahnesinden uzağa yerleştirilmiş standart bir güvenlik kamerası tarafından toplanan düşük çözünürlüklü gözetim görüntülerinde araç sınıflandırması için basit bir evrişimsel sinir ağı (CNN) tabanlı bir yöntem önermektedir. Performansını değerlendirmek için önerilen model, çeşitli olup olmadığı koşullarında toplanan küçük ve düşük çözünürlüklü araç görüntülerini (100 × 100 piksel ve 96 dpi) içeren bir veri seti üzerinde test edilmiştir. Bu tezde önerilen model aynı zamanda iyi bilinen VGG19 tabanlı CNN modelleri ile doğruluk ve kayıp açısından karşılaştırılmıştır. Önerilen modelin doğruluk ve kayıp değerleri karşılaştırıldığında iyi bilinen modellerle benzerlik gösterse de karmaşıklık ve enerji kaybı göz önüne alındığında daha iyi performans göstermektedir.