Yıl: 2021 Cilt: 6 Sayı: 2 Sayfa Aralığı: 84 - 92 Metin Dili: Türkçe DOI: 10.29128/geomatik.703218 İndeks Tarihi: 04-06-2021

Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi

Öz:
Bu çalışmada, Yere Nüfuz eden Radar (YNR) B tarama görüntülerinin analizi için azparametre sayısına sahip K-En Yakın Komşuluk (K-EYK) algoritma tabanlı birKonvolüsyonel Sinir Ağı (KSA) yapısı önerilmiştir. Önerilen KSA yapısı içerisinde farklıfiltre boyutuna ve sayına sahip beşer adet konvolüsyon katmanı bulunmaktadır. Aynızamanda blok adı verilen yapı ile önerilen KSA modelinin yapısı daha dagörselleştirilmiştir. Karşılaştırmalı analiz çerçevesinde önerilen KSA modeli ön eğitimliKSA modelleri ile beraber değerlendirilmiştir. Analiz metrikleri olarak doğruluk,keskinlik, duyarlılık ve F1 skoru kullanılmıştır. Önerilen KSA yapısı, YNR cihazıtespitinde %97.16 doğruluk, %97.31 keskinlik, %97.04 duyarlılık ve %97.18 F1 skoru;tarama frekansı tespitinde %94.88 doğruluk, %95.02 keskinlik, %95.49 duyarlılık ve%95.24 F1 skoru; toprak çeşidi tespitinde %90.63 doğruluk, %90.50 keskinlik, %90.83duyarlılık ve %90.66 F1 skoru metrik değerlerine sahiptir. Önerilen KSA yapısı YNR cihaztespiti ve tarama frekansı tespitinde en yüksek performansı gösterirken toprak çeşiditespitinde ön eğitimli KSA yapıları ile beraber en yüksek üçüncü performansısergilemiştir. Karşılaştırmalı analizler önerilen KSA yapısının düşük parametre sayısı ileyüksek sınıflama yüzdesi elde ettiğini göstermiştir.
Anahtar Kelime:

Evaluation of Ground Penetrating Radar B Scan Images via Convolutional Neural Network with Low Parameters

Öz:
In this study, a K-Nearest Neighborhood (KNN) algorithm based Convolutional Neural Network (CNN) structure with low number of parameters was proposed for the analysis of Ground Penetrating Radar (GPR) B scan images. Within proposed CNN structure, there are five convolution layers with different filter sizes and numbers. At the same time, the structure of proposed CNN model with the structure called block is further visualized. The proposed CNN model within the framework of comparative analysis was evaluated together with pre-trained CNN models. Accuracy, precision, recall and F1 score were used as classification metrics. Proposed CNN structure obtained performance with 97.16% accuracy, 97.31% precision, 97.04% recall and 97.18% F1 score for detection of GPR device; 94.88% accuracy, 95.02% precision, 95.49% recall and 95.24% F1 score to classify scanning frequency; 90.63% accuracy, 90.50% precision, 90.83% recall and 90.66% F1 score metric values to determine soil type. While proposed CNN structure showed the highest performance in GPR device detection and scanning frequency determination, it showed the third highest performance together with the pre-trained CNN structures in soil type determination. Comparative analysis has shown that the proposed CNN structure achieves a high classification performance with a low number of parameters.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Benedetto A. ve Benedetto F. (2011). Remote Sensing of Soil Moisture Content by GPR Signal Processing in the Frequency Domain. IEEE Sensors Journal, 11 (10), 2432–2441.
  • Cover T. M. ve Hart P. E., (1967). Nearest neighbor pattern classification. IEEE Trans Inf Theory. 13(1), 21–7.
  • El-Mahallawy M. S. ve Hashim M. (2013). Material Classification of Underground Utilities From GPR Images Using DCT-Based SVM Approach. IEEE Geoscience and Remote Sensing Letters, 10 (6), 1542–1546.
  • Frigui H., Ho K. C. ve Gader P. (2005). Real-time Landmine Detection with Ground-penetrating Radar Using Discriminative and Adaptive Hidden Markov Models. EURASIP J. Adv. Signal Process, 1867–1885
  • Gader P. D., Mystkowski M. ve Zhao Y. (2001). Landmine detection with ground penetrating radar using hidden Markov models. IEEE Transactions on Geoscience and Remote Sensing, 39 (6), 1231–1244.
  • Gader P., Lee W. H. ve Wilson J. N. (2004). Detecting landmines with ground-penetrating radar using feature-based rules, order statistics, and adaptive whitening. IEEE Transactions on Geoscience and Remote Sensing, 42 (11), 2522– 2534.
  • Hinton G. E., (2007). Learning multiple layers of representation. Trends Cogn. Sci., 11 (10), 428– 434.
  • Kovalenko V., Yarovoy A. G. ve Ligthart L. P. (2007). A Novel Clutter Suppression Algorithm for Landmine Detection With GPR. IEEE Transactions on Geoscience and Remote Sensing, 45 (11), 3740–3751.
  • Krizhevsky A., Sutskever I. ve Hinton G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 25, 1097–1105.
  • Manandhar A., Torrione P. A., Collins L. M. ve Morton K. D. (2015). Multiple-Instance Hidden Markov Model for GPR-Based Landmine Detection. IEEE Transactions on Geoscience and Remote Sensing, 53 (4), 1737–1745.
  • Öztürk, Ş., ve Akdemir, B. (2019). Cell‐type based semantic segmentation of histopathological images using deep convolutional neural networks. International Journal of Imaging Systems and Technology, 29(3), 234-246.
  • Öztürk, Ş., ve Akdemir, B. (2019). HIC-net: A deep convolutional neural network model for classification of histopathological breast images. Computers & Electrical Engineering, 76, 299-310.
  • Pasolli E., Melgani F. ve Donelli M. (2009). Automatic Analysis of GPR Images: A Pattern-Recognition Approach. IEEE Transactions on Geoscience and Remote Sensing, 47 (7), 2206–2217.
  • Ruuska S., Hämäläinen W., Kajava S., Mughal M., Matilainen P. ve Mononen J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural processes. 148, 56-62.
  • Shihab S. ve Al-Nuaimy W. (2005). Radius Estimation for Cylindrical Objects Detected by Ground Penetrating Radar. Subsurf Sens Technol Appl., 6 (2), 151–166.
  • Singh N. P. ve Nene M. J. (2013). Buried object detection and analysis of GPR images: Using neural network and curve fitting. 2013 Annual International Conference on Emerging Research Areas and 2013 International Conference on Microelectronics, Communications and Renewable Energy, 1–6.
APA Özkaya U, Seyfi L (2021). Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. , 84 - 92. 10.29128/geomatik.703218
Chicago Özkaya Umut,Seyfi Levent Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. (2021): 84 - 92. 10.29128/geomatik.703218
MLA Özkaya Umut,Seyfi Levent Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. , 2021, ss.84 - 92. 10.29128/geomatik.703218
AMA Özkaya U,Seyfi L Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. . 2021; 84 - 92. 10.29128/geomatik.703218
Vancouver Özkaya U,Seyfi L Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. . 2021; 84 - 92. 10.29128/geomatik.703218
IEEE Özkaya U,Seyfi L "Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi." , ss.84 - 92, 2021. 10.29128/geomatik.703218
ISNAD Özkaya, Umut - Seyfi, Levent. "Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi". (2021), 84-92. https://doi.org/10.29128/geomatik.703218
APA Özkaya U, Seyfi L (2021). Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. Geomatik, 6(2), 84 - 92. 10.29128/geomatik.703218
Chicago Özkaya Umut,Seyfi Levent Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. Geomatik 6, no.2 (2021): 84 - 92. 10.29128/geomatik.703218
MLA Özkaya Umut,Seyfi Levent Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. Geomatik, vol.6, no.2, 2021, ss.84 - 92. 10.29128/geomatik.703218
AMA Özkaya U,Seyfi L Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. Geomatik. 2021; 6(2): 84 - 92. 10.29128/geomatik.703218
Vancouver Özkaya U,Seyfi L Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi. Geomatik. 2021; 6(2): 84 - 92. 10.29128/geomatik.703218
IEEE Özkaya U,Seyfi L "Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi." Geomatik, 6, ss.84 - 92, 2021. 10.29128/geomatik.703218
ISNAD Özkaya, Umut - Seyfi, Levent. "Yere Nüfuz Eden Radar B Tarama Görüntülerinin Az Parametreye Sahip Konvolüsyonel Sinir Ağı İle Değerlendirilmesi". Geomatik 6/2 (2021), 84-92. https://doi.org/10.29128/geomatik.703218