Kara muharebe araçları için yapay zekâ tabanlı hedef tespit sistemi

Abstract

Modern askeri istihbarat sistemleri sürekli olarak gelişmektedir. Özellikle kara kuvvetlerinin muharebe sahasında görev aldığı ortamda, muharebe araçlarının sınıflandırması çok önemli hale gelmiştir. Farklı tipteki muharebe araçlarının yeteneklerini ve zafiyetlerini belirlemek, etkili taktik ve stratejiler geliştirmek hayati öneme haizdir. Yapay zekâ destekli olarak askeri araçların sınıflandırılmasında; görüntü işleme, kalıp tanıma ve derin öğrenme teknolojilerinin kullanımı geçmişe kıyasla daha uygulanabilir hale gelmiştir. "Sadece Bir Kez Bakarsınız - You Only Look Once" (YOLO) algoritması, nesne tespiti ve görüntü sınıflandırmasında belirgin avantajlar sunmaktadır. YOLO, hedeflerin hızlı bir şekilde tespit edilmesini sağlayarak gerçek zamanlı nesne tahminleri yapma yeteneğine sahiptir. YOLO algoritmasının; yüksek doğruluk oranı ile tespit ve değerlendirme süreçlerine katkıda bulunması, muharebe sahasındaki personele önemli bir destek sunar. Özellikle düşük arka plan hataları ile doğru sonuçlar üretebilmesi ve genel nesne temsilini anlaması, bu yöntemin etkinliğini artırmaktadır. Bu tez çalışmasında, muharebe araçlarının tespiti için YOLO Algoritması kullanılmıştır. Mobil kullanımlara uygunluğu ve performans değerlendirmelerinde gösterdiği başarı nedeniyle, tez çalışmasında YOLOv8m modeli tercih edilmiştir. Model üzerine eklenen Sıkıştırma ve Uyarım Bloğu ile performansı daha da arttırılmıştır. Çalışma, elektro-optik sistemler aracılığıyla elde edilen görüntüleri kullanarak hedeflerin detaylı özelliklerinin tespit edilmesi ve karar destek sürecine odaklanmaktadır. Bu tez çalışmasının amacı, hedef yönetim sistemlerinin temel bileşenlerinin belirlenmesi ve tanımlanmasına katkı sağlayarak karar destek süreçlerini güçlendirmektir. Süreç, özel nitelikli veri toplama, ön işleme, segmentasyon, temel özellik çıkarımı, sınıflandırma, gelişmiş özellik çıkarımı ve karar destek matrisleri kullanılarak kullanıcıya önerilerde bulunulmasını içeren derin öğrenmeye dayalı bir “Hedef Belirleme ve Tanımlama - Target Detection and Identification” (HBT - TDI) sisteminin geliştirilmesini kapsamaktadır. Geliştirilen model, görüntü işleme ve nesne tespitinde önemli avantajlar sağlamaktadır.Ayrıca, tasarlanan model ile ilave bir donanım gerektirmeden, mevcut elektro-optik cihazlarını kullanarak muharebe araçlarının, tespitinin pasif bir şekilde tanımlanması, gözlemcinin konumunu açığa çıkarmadan mesafe tahmininde bulunarak karar desteğin sağlanması gerçekleştirilmektedir. Model, yüksek doğrulukta (mAP- mean avarege precision) %88,38 gerçek zamanlı tahminler sağlayarak, bilinçli kararlar alınmasına yardımcı olmakta ve riskleri minimize etmektedir.Modern military intelligence systems are continuously evolving. Particularly in environments where ground forces operate on the battlefield, the classification of combat vehicles has become critically important. Identifying the capabilities and vulnerabilities of various types of combat vehicles is essential for developing effective tactics and strategies. The use of artificial intelligence in the classification of military vehicles, through image processing, pattern recognition, and deep learning technologies, has become more feasible compared to the past. "You Only Look Once" (YOLO) algorithm provides significant advantages in object detection and image classification. YOLO possesses the ability to rapidly detect targets, enabling real-time object predictions. The algorithm's contribution to detection and evaluation processes with high accuracy offers substantial support to military personnel on the battlefield. Its ability to produce accurate results with low background errors and to understand general object representation further enhances the effectiveness of this method. In this thesis, the YOLO algorithm has been employed for the detection of combat vehicles. The YOLOv8m model has been selected due to its suitability for mobile applications and its demonstrated success in performance evaluations. The performance has been further enhanced with the addition of the squeeze and excitation block to the model. The study focuses on detecting detailed characteristics of targets using images obtained through electro-optical systems and emphasizes the decision support process. The objective of this thesis is to contribute to the identification and definition of the fundamental components of target management, thereby strengthening decision support processes. The process encompasses the development of a deep learning-based "Target Detection and Identification" (TDI) system, which includes specialized data collection, pre-processing, segmentation, basic feature extraction, classification, advanced feature extraction, and the provision of recommendations to users through decision support matrices. The developed model offers substantial advantages in image processing and object detection. Moreover, with the designed model, the passive identification of combat vehicles can be achieved using existing electro-optical devices, without requiring additional hardware, by estimating distances while keeping the observer's position concealed. The model provides real-time predictions with high accuracy (mAP 83.6%), thereby assisting in informed decision-making and minimizing risks.