Derin öğrenme tabanlı yapay zekâ ile askeri uçak tiplerinin tespiti ve sınıflandırılması

Abstract

Günümüzde savunma alanında yaşanan teknolojik gelişmeler ve artan güvenlik ihtiyaçları, askerî hava unsurlarının hızlı, doğru ve güvenilir biçimde tanınmasını kritik bir gereklilik hâline getirmiştir. Modern savaş ve gözetleme senaryolarında, hava sahasının kontrolü ve olası tehditlerin erken aşamada tespit edilmesi, operasyonel başarının temel belirleyicilerinden biri olarak öne çıkmaktadır. Bu bağlamda, askerî uçak tiplerinin otomatik olarak tespit edilmesi ve sınıflandırılması önemli bir problem alanı oluşturmaktadır. Geleneksel görüntü işleme ve elle çıkarılan özniteliklere dayalı yöntemler, özellikle farklı bakış açıları, değişken çevresel koşullar ve düşük görüntü kalitesi gibi durumlar karşısında yetersiz kalabilmektedir. Bu nedenle yapay zekâ temelli yaklaşımlar, özellikle de derin öğrenmeye dayalı yöntemler, otomatik özellik çıkarımı ve yüksek doğruluk oranları sayesinde bu problem için güçlü bir alternatif sunmaktadır. Bu çalışmada, açık kaynaklardan elde edilen geniş kapsamlı bir askerî uçak görüntü kümesi üzerinde, transfer öğrenme tabanlı derin öğrenme modelleri ve önerilen yeni bir CNN mimarisi kullanılarak farklı askerî uçak tiplerinin tespit edilmesi ve sınıflandırılması amaçlanmıştır. Çalışmada ilk olarak verilerin niteliğini artırmaya yönelik kapsamlı bir ön işleme süreci geliştirilmiştir. Görüntülerin yeniden boyutlandırılması, normalizasyonu ve veri artırma tekniklerinin uygulanması sayesinde modelin genelleme yeteneği güçlendirilmiş ve farklı senaryolarda başarılı sonuçlar üretmesi hedeflenmiştir. Daha sonraki aşamada, transfer öğrenme yaklaşımlarından yararlanılarak büyük ölçekli veri kümeleri üzerinde önceden eğitilmiş CNN modelleri çalışmanın veri setine uyarlanmıştır. Bununla birlikte, yalnızca mevcut transfer öğrenme modelleriyle yetinilmeyerek, bu modellerin güçlü yönlerini birleştiren ve dikkat mekanizması ile desteklenen yeni bir hibrit CNN mimarisi önerilmiştir. Eğitim sürecinde hiperparametre optimizasyonuna özel önem verilmiş; doğruluk, kesinlik, duyarlılık ve F1 skoru gibi performans ölçütleri kullanılarak ayrıntılı değerlendirmeler gerçekleştirilmiştir. Elde edilen deneysel sonuçlar, derin öğrenme tabanlı yaklaşımların askerî uçak tiplerinin sınıflandırılmasında yüksek doğruluk oranlarına ulaştığını açık biçimde ortaya koymuştur. Özellikle önerilen hibrit CNN mimarisinin, farklı transfer öğrenme modellerine kıyasla daha tutarlı ve yüksek performans sergilediği gözlemlenmiştir. Ayrıca geliştirilen yöntemin, değişen ışık koşulları, farklı perspektifler ve görüntü kalitesi farklılıkları karşısında dahi kararlı sonuçlar üretebildiği belirlenmiştir. Bu durum, önerilen yaklaşımın savunma sanayii uygulamalarında kullanılabilecek güvenilir bir karar destek mekanizması sunma potansiyeline sahip olduğunu göstermektedir.Today, technological advancements in the defense sector and increasing security needs have made the rapid, accurate, and reliable identification of military air assets a critical requirement. In modern warfare and surveillance scenarios, control of airspace and early detection of potential threats stand out as key determinants of operational success. In this context, the automatic detection and classification of military aircraft types constitutes a significant problem area. Traditional image processing and manually extracted feature-based methods can be insufficient, especially in situations involving different viewing angles, variable environmental conditions, and low image quality. Therefore, artificial intelligence-based approaches, particularly deep learning-based methods, offer a powerful alternative to this problem thanks to their automatic feature extraction and high accuracy rates. This study aims to detect and classify different military aircraft types on a comprehensive set of military aircraft images obtained from open sources, using transfer learning-based deep learning models and a proposed novel CNN architecture. First, a comprehensive preprocessing process was developed to improve data quality. By applying image resizing, normalization, and data enhancement techniques, the generalization ability of the model was strengthened, aiming to produce successful results in different scenarios. In the next stage, pre-trained CNN models on large-scale datasets were adapted to the study's dataset using transfer learning approaches. However, instead of relying solely on existing transfer learning models, a new hybrid CNN architecture was proposed that combines the strengths of these models and is supported by an attention mechanism. Special emphasis was placed on hyperparameter optimization during the training process; detailed evaluations were carried out using performance metrics such as accuracy, precision, sensitivity, and F1 score. The experimental results clearly demonstrated that deep learning-based approaches achieved high accuracy rates in the classification of military aircraft types. In particular, the proposed hybrid CNN architecture was observed to exhibit more consistent and higher performance compared to different transfer learning models. Furthermore, it was determined that the developed method could produce stable results even in the face of changing lighting conditions, different perspectives, and differences in image quality. This indicates that the proposed approach has the potential to provide a reliable decision support mechanism that can be used in defense industry applications.