FMCW radar verilerinin makine öğrenmesi yöntemleri ile sınıflandırılması

Abstract

Günümüzde objeleri niteliklerine göre sınıflandırmanın birçok uygulama alanı bulunmaktadır. Örneğin, savunma sanayi, gözetleme, robotik vb. Bu durum, geleneksel yöntem ile çözülemeyen problemlere yönelik birçok yenilikçi uygulamanın ortaya çıkmasına olanak sağlar. Örneğin, radar verileri üzerinden nesnelerin sınıflandırılmasında hız, Radar Kesit Alanı (RKA), faz değişimi gibi birçok değer göz önünde bulundurulur. Ancak, bu yöntem ile birbirine yakın boyut ve hızlarda olan nesneler yüksek doğruluk ile ayırt edilememektedir. Bu duruma örnek olarak kuş ve droneların radar verileri üzerinden ayırt edilmeye çalışılmasını örnek verebiliriz. Kuşlar ve droneların RKA ölçümleri ve hızları bazı durumlarda aynı olmaktadır ve bu sebep ile geleneksel eşik uygulama gibi yöntemler etkin olmamaktadır. Günümüzde meydana gelen simetrik ve asimetrik çatışma ve savaşlar göz önüne alındığında, drone kullanımının arttığını ve savaş alanında etkin bir şekilde kullanılabileceğini gözlemlemek mümkündür. Droneların kolay elde edilebilir ve kolay imal edilebilir olması bu duruma neden olabilmektedir. Bu nedenle farklı sensörler ve farklı yöntemler kullanılarak bu droneların ayırt edilmesi önem arz etmektedir. Bu tez çalışmasında, bu ayrımın yüksek performansla gerçekleştirilebilmesi için gerçek radar sensör ölçümlerinden elde edilen eş evreli dördün evreli (In-Phase Quadrature, IQ) verilerinin spektogramları ile Evrişimsel Sinir Ağı(ESA) algoritmasının performansı üzerine bir çalışma yapılmıştır. Bu çalışmada, Frekans Modülasyonlu Sürekli Dalga (Frequency Modulated Continuous Wave, FMCW) radardan elde edilmiş olan IQ verilerinin mikrodoppler izlerini kullanarak, klasik makine öğrenmesi yöntemlerini ve farklı derin öğrenme mimarilerini kullanarak hem farklı drone türlerinin sınıflandırılmasını hem de droneların kuşlardan ayırt edilmesi gerçekleştirilmiştir. Bu çalışmada kullanılmış olan veriseti içerisinde 6 adet drone sınıfı, 2 adet insan hareketine bağlı ölçümlerden oluşan insan sınıfı, 6 ayrı kuş türüne ait ölçümlerin olduğu kuş sınıfı ve Üçgen Reflektör ölçümlerinden oluşan üçgen reflektör sınıfı bulunmaktadır. Bu çalışma sonucunda uçtan uca oluşturulmuş ESA mimarileri ve önceden eğitilmiş ESA mimarilerinde ile yüksek başarım oranları elde edilmiştir. Bu çalışmada önerilen ESA mimarisi ile özniteliklerin çıkartılarak Destek Vektör Makinası ile sınıflandırıldığında en yüksek doğruluk değeri %98.04 olarak elde edilmiştir. Nowadays, object classification has many applications field, such as defense, surveillance, robotics etc. This situation brings so many solutions for problems in traditional classification methods. For example, many values such as speed, Radar Cross Section (RCA), and phase change are taken into account when classifying objects from radar data. However, with usage of this method has bad accuracy in case of similar RCS and speed targets. For example, in case of birds and drones their size and speeds are similar in many cases. Because of this, classification of bird and drone has poor accuracy when using traditional classification methods (Thresholding etc.). In case of drone-bird classification, those algorithms have lack of accuracy. Since, size of a drone and birds are nearly same, RCS classifications cannot work properly. Considering the symmetrical and asymmetrical conflicts and wars taking place today, it is possible to observe that the use of drones is increasing and can be used effectively in these areas. The fact that drones can be easily obtained and easily manufactured can cause this situation. The importance of classifying and distinguishing between drones and birds is important both on the battlefield and in protecting high-value sites and infrastructure from terrorist attacks. For example, airports, military bases, military convoys, government buildings, nuclear power plants, power stations, dams, etc. For this reason, it is important to distinguish these drones using different sensors and different methods. In order to realize this discrimination with high performance, this study is used a real radar sensor measured In-Phase Quadrature (IQ) data spectrograms to observing performance of Convolutional Neural Network (CNN) algorithms. In this thesis study, using micro-Doppler traces of IQ data obtained from FMCW radar, classical machine learning methods and different deep learning architectures have been used to classify different drone types and to distinguish drones from birds. To conduct this study, two datasets is used, first dataset consist of 6 drone classes, 2 human classes with different movements, 6 different bird classes and 1 corner reflector class were used. In second dataset, only drones and bird measurements were used. As a result of this study, high accuracy rates were obtained with end-to-end CNN architectures and Pre-trained CNN architectures. With the CNN architecture proposed in this study, the highest accuracy value 98.04 % was obtained when features were extracted and classified with Support Vector Machine (SVM) with the usage of nine class dataset. With the usage of second dataset which is include only two class (Birds and drones) the accuracy is 99.4 % with the same CNN feature extraction and SVM method use.