Savunma Sanayisinde Görüntü İşleme İle Hedef Tanıma

Savunma Sanayisinde Görüntü İşleme: Günümüzde savunma sanayisinde Görüntü İşleme yöntemleri özellikle insansız hava araçlarında ve otonom silahlarda kullanılmaktadır.İçinde bulunduğumuz teknoloji çağında bu tarz otonom hedef takip ve hedef tanıma gibi özellikler ordulara ve askerlere büyük avantaj sağlamaktadır.Her ne kadar bu askeri projelerin bilgilerine ulaşmak ya da araştırmak zor olsa da görüntü işleme alanında yapılan araştırmalar sonucunda hedef takip ve tanımlamada YOLO gibi CNN algoritmasını kullanan kütüphaneler ile bu tanımlamaların yapıldığının görüyoruz. Bir diğer seçenek ise HaarCascade,YOLO’dan farklı bir nesne tanıma algoritmasıdır ve YOLO’ya göre güvenilirlik ve doğruluk oranı çok düşüktür.Bu yüzden birçok projede sadece nesneleri yakalamak için kullanılıyor.Yakalanan nesneyi tanımlamak için ise pek güvenilir olmadığı görülüyor.Bunun sebebi, YOLO ve benzeri CNN yapılı kütüphanelerde kullanılan algoritmanın karmaşık olması bu yüksek bir doğruluk oranı sunuyor; ancak kullanılan cihazda yüksek bir GPU performansı bekliyor.Bu sebeple iki algoritmada kullanılacak alana göre değişik avantajlar sunuyor ancak askeri alanlarda ve savunma sanayisinde yüksek GPU gücüne sahip cihazları bulmak çok da zor değil. Ayrıca bu tarz projelerde bulunması gereken yüksek bir güvenilirlik oranıdır.Bu yüzden savunma sanayisinde görüntü işleme alanında kullanılan algoritmaların çoğunlukla CNN altyapılı algoritmalar olduğunu görüyoruz

Savunma Sanayisinde Görüntü İşleme Kullanım Alanı Örnekleri: Bu algoritmaların kullanıldığı teknoloji şirketlerinin askeri operasyonlara katkılarından bahsedecek olursak;ABD merkezli yapay zekâ ve robotik şirket olan Boston Dynamics’in robotu Spot, yakın zamanda Fransız özel harekât timi ile beraber bir operasyona katıldı ve operasyondaki birçok görevi başarılı bir şekilde 9 yerine getirdi. Buna ek olarak bu operasyonda Saint-Cyr Harp Akademisi’nin beş farklı robotu daha test edildi

Bilindiği üzere bu robotlar, ilerleme karar verme gibi yapılarını kullanabilmek için bulundukları ortamdan birçok çıkarım yapmalılar ve bu çıkarımları yaparken büyük oranda görüntü işleme tekniklerini kullanıyorlar.Görüntü işlemenin savunma sanayisinde kullanıldığı bir diğer alan ise F16 ve İnsansız Hava Araçlarında hedef takibi, durum-hava analizi ve pist yakalamadır.Örneğin, insansız hava araçlarının üzerinde bulunan yükseklik sensörü, hava durumunu öğrenmek için gerekli sensörler ve GPS, bazı düşük görüş mesafelerinde (yağmur ve fırtına bulutları gibi) doğru sonuçlar vermemektedir. Bunun yanında ani sinyal kopması ve bağlantı kesilmesi gibi durumlarda insansız hava araçlarının bulundukları konuma göre kendi karar yapılarını oluşturarak görevlerini yerine getirmeleri gerekmektedir.Bu gibi durumlarda kullanılan algoritmalar, kendi karar yapılarını kullanan sensörler ve Real Time kameralardan alınan görüntüler görüntü işleme tekniklerini kullanarak ve birçok değişkeni hesaplayarak doğru bir karar yapısı oluşturmalıdır.Bu konuda, bu tarz projelerde görüntü işlemenin sadece ana konu olarak değil, kullanılan sensörlerin güvenilirlik oranlarını hesaplamak için destekleyici bir yazılım olarak da kullanılabileceğini anlıyoruz.

Projenin Açıklanması: Benim yönlendirilmiş çalışma projem ise silah algılama yapabilen ve tehlike oranı oluşturabilen kullanıcı UI olan bir projedir.Projemin temel amacı, topluma açık alanlarda silah görüntülediği anda silahın bulunduğu konuma polis ve güvenlik görevlilerini yönlendirmesiydi; ancak projeme biraz daha ekleme yaparak bu projeyi tehlikeli arazilerde kullanılabilecek Otonom Silah Projesi olarak geliştirmeye başladım.Günümüzde birçok silah tanıma yapabilen proje var fakat araştırdığım kadarı ile bu silahlara çeşitlerine göre tehlike oranı oluşturan ve bu orana göre hedef önceliği oluşturan bir proje görmedim.Bu sebeple projemi bu alanda geliştirmeye başladım.Projede çoklu hedef tespit edildiği zaman iki farklı hedefte de farklı silahlar varsa örneğin 1 numaralı hedefte makineli tüfek varsa ancak diğer hedefte zırhlı araca çok daha büyük oranda zarar verebilecek olan roket atar varsa algoritma oluşturduğu tehlike oranı sayesinde ilk olarak 2 numaralı hedefi etkisiz hale getirerek korumakla görevli olduğu zırhlı aracı minimum hasar ile hedeflerden koruyor.

Projede Kullanılan Teknolojiler: Projemde kullanacağım teknoloji CNN altyapısı ile eğitilmiş modelimi kullanacağım yolo algoritması bu algoritmanın arayüzü için PyQt5 kullanacağım arayüz askeri bir projeye yönelik olacağı için sade net ve anlaşılır olacak.Model eğitimim için yaklaşık 2000 adet fotoğraf ile yapılmış bir eğitim sonucunda oluşmuş weights dosyamı kullanacağım. Finalde bitmiş proje, aynı anda birden çok hedef tespiti yapıp bu hedeflere farklı tehlike oranları oluşturup hedef önceliği belirleyebilen bir proje olacaktır.Daha önce araştırdığım birçok kaynak ve GitHub üzerindeki projelerde gördüğüm üzere çoğu proje sadece silah-tehlikeli maddeleri yakalama ve kullanıcıyı uyarma üzerine çoklu hedef tespiti veya hedef önceliği verme gibi bir açık kaynaklı proje göremedim.Bu yüzden projeme bu konu üzerinde ağırlık vermeye karar verdim.

Benzer Çalışmalar: Projeye başlamadan önce yaptığım araştırmalar sonucunda açık kaynaklı birkaç projeyi inceleme fırsatım oldu.Bunlardan ilki,YOLO algoritması kullanılarak yapılmış silah tanıma programı olan Automated Video Surveillance’tır. Bu projenin özelliği, eğitim sırasında algoritmaya tetik verileri verilerek silahı elinde tutan saldırganın parmağı tetikteyse hedefi daha tehlikeli olarak işaretliyor. Böylelikle bir operasyon sırasında emniyet güçlerine saldırganın amacı hakkında bilgi veriyor2 .Aynı zamanda bu sistem, evde ya da dükkânda kullanılıyorsa cihaz silahı tespit ettiği zaman ilgili mail adresine yakaladığı andaki resmi mail atıyor.

Programın tanıtım linki :https://www.youtube.com/watch?v=Lh0x54GC1sw&t=485s Bu proje CNN yapısı ile eğitilmiş ve Weights dosyası kullanarak çalışıyor.Bu eğitimde yaklaşık olarak 3000 adet fotoğraf kullanılmış;kod kısmında ise OpenCV Kütüphanesi kullanılarak Python dili ile kodlanmış proje aktif olarak geliştirilmektedir.Projenin açıklamasını okuduğumda model silahı tutan kişinin parmağının tetikte olup olmadığına göre farklı tehlike puanları oluşturuyor ancak bu model sadece Pistol (beylik tabancalarıyla) uyumlu olarak çalışıyor. Makineli tüfek ya da roket tarzı çok daha ciddi hasar verebilecek silahlar ile uyumlu çalışmıyor.Bu yüzden veri havuzunun büyütülmesi gerekiyor.Bu çalışmanın bu eksiğini fark ettikten sonra kendi projemde bu konu üzerine yoğunlaşmak istedim.

2.PatriotOne Technologies Bu alandaki diğer bir proje ise PatriotOne Technologies3 tarafından geliştirilen GunDetectorProjesidir.4 Proje makineli tüfek, pistol ve bıçak gibi bütün zarar verebilecek maddeleri tanıyabiliyor.Genel olarak kapı girişleri ve önemli konumlarda kullanılan bir projedir. Bu projenin sahip olduğu yazılımın tehlikeli silahı tanıması için silahın açık olarak gözükmesi gerekmiyor; sahip olduğu sensörler sayesinde elbise içine gizlenmiş silahları bile görüntüleyebiliyor ve güvenlik güçlerine silahın tespit edildiği konumu belirtiyor fakat bu proje, açık kaynaklı bir proje olmadığı için kod ve teknoloji kısmı hakkında pek fazla bilgiye ulaşamadım.

3.Manish GunDetector Bu alandaki diğer bir çalışma ise Manish8798 adlı GitHub kullanıcısının5 bağımsız olarak yaptığı bir projedir6 . Bu projenin avantajı eğitimde kullanılan fotoğraf çeşitliliği sayesinde birçok farklı silahı ayrı ayrı tanımlayabiliyor ancak dangerpoint ya da tetik tehlikesi algılama gibi bir özelliği yok.Proje,CNN ile eğitilmiş bir weights dosyasının YOLO algoritmasında çalıştırılması yöntemi ile çalışıyor.