YOLOv3 Derin Öğrenme Algoritması ile İHA Görüntülerinden Çevresel Atık Tespiti

Pet ve cam şişeler genellikle tek kullanımlık malzemeler olduklarından kullanıldıktan sonra uygun olmayan yerlere özensiz bir şekilde atılmaktadır. Pet ve cam şişe atıkları, çevre kirliliğinin önemli sebeplerinden biridir. Ayrıca cam şişelerin orman yangınlarının çıkmasında çok büyük etkileri vardır. Bu nedenlerden dolayı pet ve cam şişelerin tespit edilmesi ve çevreye zarar vermeden toplanması gerekmektedir. İnsansız Hava Araçları (İHA) günümüzde birçok sektörde oldukça yaygın olarak kullanılmaktadır. İHA’ların kullanım alanlarının artması ve geçmişe göre erişiminin kolay olması birçok alanda gelişmenin de önünü açmıştır. Daha az insan gücü kullanılarak daha düşük maliyetlerle birçok sorun çözüme kavuşturulmuştur. Bu çalışmada, İHA’lardan alınan görüntülerdeki pet ve cam şişelerin tespit edilmesi için görüntü işleme teknikleri kullanılmıştır. Yapılan çalışmada öncelikle eğitim için tespit edilecek nesnelerin bulunduğu görüntüler belirlenmiştir. Bu görüntülerde tespit edilmesi istenen nesneler etiketlenmiş, gerekli düzenlemeler yapılarak eğitim ve test verileri elde edilmiştir. Bu veriler kullanılarak YOLOv3 derin öğrenme algoritması ile eğitim gerçekleştirilmiş, elde edilen veriler ile nesne tespit test işlemi yapılmıştır. Bu test işlemi için pet ve cam şişe atıklarının bulunduğu görüntüler kullanılmıştır. Yapılan çalışma sonucunda, doğal ortamlardaki pet ve cam şişelerin büyük bir doğruluk oranı ile tespiti gerçekleştirilmiştir.

Anahtar Kelimeler:

Çevre, Derin Öğrenme, Görüntü İşleme, İHA, Nesne Tespiti, YOLO

Environmental Waste Detection from UAV Images with YOLOv3 Deep Learning Algorithm

Since plastic and glass bottles are generally disposable materials, they are thrown away carelessly after use. One of the main reasons of environmental pollution is plastic and glass bottle waste. Furthermore, glass bottles have a huge impact on forest fires. For these reasons, it is necessary to detect plastic and glass bottles and collect them without harming the environment. Unmanned aerial vehicles (UAV) are widely used in various sectors today. The increase in the use of unmanned aerial vehicles and the ease of access -when compared to the past- have paved the way for development in many fields. Many problems have been solved at lower costs by using less manpower. In this study, image processing techniques were used to detect plastic and glass bottles in images taken from UAVs. Principally, the images with the objects to be detected for training were determined. Objects in these images were labeled, necessary arrangements were made, then training and test data were obtained. Using these data, training was carried out with the YOLOv3 deep learning algorithm, and object detection test was applied with the obtained data. Images of plastic and glass bottle wastes were used for this test process. As a result, plastic and glass bottles in the nature were detected with a great accuracy rate.

Keywords:

Deep Learning, Ecosystem, Image Processing, Object Detection, UAV, YOLO,

PDF

___

Türkmen, B. A., (2020). Cam Ambalaj Üretiminin Çevresel Sürdürülebilirliğinin Değerlendirilmesi, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 7(2), ss. 1026-1037.
Ekici, E. (2022). Deep Learnıng Based Fruıt And Vegetable Recognıtıon For Androıd Pos Devıces, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü.
Kabadayı, A., Uysal, M. (2019). İnsansız Hava Araci ile Elde Edilen Verilerden Binalarin Tespiti, Türkiye İnsansız Hava Araçları Dergisi, 1(1) , ss. 8-14.
Yanık, A., Serdar Güzel, M., Yanık, M. ve Bostancı, E. (2021). Machine Learning Based Early Fire Detection System Using a Low-Cost Drone, arXiv preprint, arXiv:2101.09362.
Körez, A., Barışçı, N. (2018). İnsansız Hava Aracı (İHA) Görüntülerindeki Yayaların Faster R-CNN Algoritması ile Otomatik Tespiti, 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). IEEE.
Kim, B., Yuvaraj, N., Sri Pretha, K.R., Arun Pandian, R. (2021). Surface Crack Detection Using Deep Learning with Shallow CNN Architecture for Enhanced Computation, Neural Computing and Applications, 33.15, pp. 9289-9305.
Doğan, M. (2019). Bitkilerde Örülen Hastalıkların Derin Öğrenme Yöntemleriyle Tespiti ve Sınıflandırılması, Yüksek Lisans Tezi, Yalova Üniversitesi, Fen Bilimleri Enstitüsü.
Öztürk, M. (2018). Makine Öğrenmesi ve Görüntü işleme Tekniklerini Kullanarak Drone ile Yaprak Sınıflandırma, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
Burgaz, M. (2020). Derin Öğrenme Algoritmaları Kullanarak İnsansız Hava Araçları İle Silah Tespiti, Yüksek Lisans Tezi, Batman Üniversitesi, Fen Bilimleri Enstitüsü.
Yekta Güzel, Y. (2021). Derin Öğrenme ile Yeşil Alanların Çıkarımı, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
Albayrak, E., Yayla, R. ve Yüzgeç, U. (2021). Mask R-CNN ile İHA Görüntülerinden Araç Tespiti, International Symposium of Scientific Research and Innovative Studies, 3.1, ss. 326-335.
Mücahit Arvas, M. (2022). Derin Öğrenme Algoritmaları Kullanılarak Döner Kanatlı İnsansız Hava Aracı Görüntülerinden Haşhaş, Kenevir ve Tütün Bitkilerinin Tespiti, Yüksek Lisans Tezi, Van Yüzüncü Yıl Üniversitesi, Fen Bilimleri Enstitüsü.
Kayan, A. ve Küçük, A. (2020). Plastik Kirliliğin Çevresel Zararları ve Çözüm Önerileri, Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22.2, ss. 403-427.
Karakaş, A. (2010). Katı Atıkların Ekonomik Analizi (Sakarya Büyükşehir Belediyesi Örneği, Doktora Tezi, Sakarya Üniversitesi, Sosyal Bilimler Enstitüsü.
Yüce, A.E. ve Kılıç, M. (2014). PVC ve PET Atıkların Seçimli Flotasyonu, Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29.2, ss. 79-94.
Kahveci, M. ve Can, N. (2017). İnsansız Hava Araçları: Tarihçesi, Tanımı, Dünyada ve Türkiye'deki Yasal Durumu, Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 5.4, ss. 511-535.
Pakkan, B. vermiş, M. (2010). İnsansız Hava Araçlarının Genetik Algoritma Yöntemiyle Çoklu Hedeflere Planlanması, Journal of Aeronautics & Space Technologies/Havacılık ve Uzay Teknolojileri Dergisi, 4.3, ss. 77-84.
Başaran, G. ve Çağıl, G. (2021). Koruyucu Gözlük Kullanımının Görüntü İşleme Yöntemiyle Tespit Edilmesi, El-Cezeri, 9.1, ss. 86-95.
Çalışkan, D. (2022). Derin Öğrenme Yöntemleri ile Şüpheli Davranış Tespiti, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü.
Evren, E. (2020). Otomotiv Sektöründe Saha Çalışanlarının Dijital Dönüşüm Kapsamında Güvenlik Yeleği Ve Baretlerinin Yapay Sinir Ağı Yöntemi İle Algılanması, Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü.
Çağıl, G. ve Yıldırım, B. (2020). Bir Montaj Parçasının Derin Öğrenme ve Görüntü İşleme ile Tespiti, Journal of Intelligent Systems: Theory and Applications, 3.2, ss. 31-37.
Murat, S. (2021). İnsansız Hava Aracı Görüntülerinden Derin Öğrenme Yöntemleriyle Nesne Tanıma, Yüksek Lisans Tezi, Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü.
Thuan, D. (2021). Evolution of Yolo Algorithm and Yolov5: The State-of-the-Art Object Detention Algorithm, Master's Thesis, Oulu University of Applied Sciences.
Ketua, T. (2020). Facial Expressıon Detection and Recognition System with Yolo Algorithm and Convolutional Neural Network, Master's Thesis, Tarumanagara University.
İnkaya, M. F. (2021). Derin Öğrenme Algoritmaları Kullanarak Güvenli Çocuk Oyun Alanlarında Karşılaştırmalı Tehlikeli Nesne Tespiti Yapılması, Yüksek Lisans Tezi, Bursa Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
Mao, Q., Sun, H., Liu, Y. ve Jia, R. (2019). Mini-YOLOv3: Real-Time Object Detector for Embedded Applications, Ieee Access, 7, ss. 133529-133538.
Havuç, E., Alpak, Ş., Çakırel, G. ve Kadir Baran, M. (2021). Derin Öğrenme Vasıtasıyla Masa Tenisi Topu Takibi, Avrupa Bilim ve Teknoloji Dergisi 27, ss. 629-635.
Çelik, S. (2022). Derin Öğrenme Yöntemlerini Kullanarak İHA Görüntülerinden Çevresel Atık Tespiti, Yüksek Lisans Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü.