Teknik mühendislik makalesi incelemesi

Evrişimli Sınır Ağları Kullanılarak Optik Uydu Görüntülerinden Gemi Tespiti

Deniz taşımacılığı ve küresel ticaret hatlarının güvenliği, kural dışı avlanmanın önlenmesi, kaçakçılıkla mücadele ve boğaz trafiğinin yönetimi gibi kritik alanlarda optik uydu görüntülerinden otomatik gemi tespiti büyük stratejik önem taşımaktadır.

Makalenin anahtar kelimeleri

Yazar: Neslihan Toprak & Yıldıray Yalman
Yayın: Turkish Journal of Engineering
Tarih: 2025-01-02
DOI: 10.31127/tuje.1529660

Makalenin Kapsamı ve Akademik İçeriği

Küresel deniz taşımacılığı ve ticaret rotalarının yoğunlaşması, seyrüsefer güvenliğinin sağlanması, yasadışı avlanma ve kaçakçılığın önlenmesi gibi alanlarda otomatik gemi tespiti sistemlerine olan ihtiyacı artırmıştır. Uzaktan algılama teknolojilerinde optik uydu görüntüleri yüksek çözünürlük, zengin renk bilgisi ve geniş kapsama alanı sunması bakımından kritik bir rol üstlenmektedir. Ancak uydu görüntülerindeki karmaşık deniz arka planı, değişen hava koşulları ve ölçek farklılıkları nesne tespitinde yüksek doğruluk oranlarına ulaşmayı zorlaştırmaktadır. Bu alandaki temel tartışma, hem yüksek işlem hızı sağlayan hem de farklı gemi tiplerini yüksek hassasiyetle tespit edebilen derin öğrenme modellerinin geliştirilmesi üzerine odaklanmaktadır.

Araştırma, optik uydu görüntülerinden evrişimli sınır ağları kullanarak çoklu sınıfta gemi tespiti gerçekleştirmeyi ve literatürdeki tespit performansını geliştirmeyi amaçlamaktadır. Yöntem kapsamında, literatürde yaygın kullanılan FGSCR-42 veri seti detaylı biçimde incelenmiş, hatalı etiketlenmiş ve bulanık fotoğraflar ayıklanarak 12 ana kategoride 7.008 fotoğraftan oluşan temizlenmiş yeni bir veri seti oluşturulmuştur. Nesne tespiti mimarisi olarak 2023 ve 2024 yıllarında sunulan güncel YOLOv8 (n, s, m, l paketleri) ve YOLOv9 (c, e paketleri) derin öğrenme algoritmaları seçilmiştir. Tüm modeller Tesla T4 GPU donanımında, Google Colab ortamında 35 epok, 640 görüntü boyutu ve sabit hiperparametrelerle eğitilerek performansları karşılaştırılmıştır.

Deneysel sonuçlar incelediğinde, değerlendirilen tüm modeller arasında YOLOv8l mimarisinin %98,9 mAP50 ve %88,1 mAP50-95 değerleri ile en yüksek tespiti başarısını sergilediği görülmüştür. Sınıf bazlı performans analizlerinde YOLOv8l modeli; uçak gemisi, kruvazör, muhrip, hücumbot, çıkarma gemisi, tıbbi gemi, konteyner gemisi ve tanker gibi 12 farklı gemi kategorisinin tamamında yüksek doğruluk ve kesinlik oranlarına ulaşmıştır. Hata matrisi (confusion matrix) ve kayıp fonksiyonu grafikleri, modelin eğitim ve doğrulama süreçlerinde kararlı biçimde yakınsadığını ve aşırı öğrenme (overfitting) sergilemeden özgün test görüntülerinde başarılı tespitler yaptığını kanıtlamıştır.

Çalışmanın tartışma ve sonuç bölümünde elde edilen bulgular literatürdeki önceki araştırmalarla karşılaştırılmıştır. FGSCR-42 veri setinde B-CNN modeliyle elde edilen %89,53 ve TASN modeliyle sağlanan %93,51'lik doğruluk skorlarının yanı sıra YOLO-RSSD'nin %96,1'lik mAP değerinin üzerine çıkılarak %98,9 mAP50 seviyesine ulaşılmıştır. Yazar, veri setindeki hatalı etiketlerin temizlenmesinin ve YOLO'nun gerçek zamanlı nesne tespit yeteneğinin bu performans artışında belirleyici olduğunu vurgulamıştır. Sonuç olarak çalışma, uzaktan algılamada optik görüntülerle çoklu gemi tespiti yapacak araştırmacılar için metodolojik ve uygulamalı bir referans sunmaktadır.

Araştırmanın amacı

Bu çalışmanın amacı, optik uydu görüntülerinden derin öğrenme mimarileri (YOLOv8 ve YOLOv9) kullanarak gemi tespiti ve çoklu sınıflandırma performansını artırmak, FGSCR-42 veri setini temizleyip 12 sınıfa indirgeyerek deniz trafiği güvenliğine katkı sağlamaktır(Toprak & Yalman, 2025).

İnceleme ve modelleme yöntemi

Çalışmada, optik uydu görüntülerinden gemi tespiti ve çoklu sınıflandırma yapmak amacıyla YOLOv8 ve YOLOv9 derin öğrenme mimarileri kullanılmış, FGSCR-42 veri kümesindeki gürültülü veriler elenerek 12 sınıflı 7.008 fotoğraflı optimize bir veri kümesi oluşturulmuş ve deneysel performans karşılaştırmaları gerçekleştirilmiştir(Toprak & Yalman, 2025).

Kuramsal ve kavramsal çerçeve

Çalışma, evrişimli sınır ağlarının (CNN) görsel verilerdeki öznitelik hiyerarşisini çıkarma yeteneğine ve derin öğrenme tabanlı nesne tespiti kuramına dayanmaktadır. Özellikle tek aşamalı (one-stage) nesne tespiti mimarilerinden olan YOLO yaklaşımı; izlek hücreleri (grid cells), kesişim bölü birleşim (IoU) metriği ve Maksimum Olmayan Baskılama (Non-Maximum Suppression - NMS) algoritmaları çerçevesinde ele alınmıştır. Ayrıca YOLOv8'in EfficientDent ve PAN yapıları ile YOLOv9'un Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Etkin Katman Toplama Ağı (GELAN) kuramsal prensipleri değerlendirmeye dahil edilmiştir.

Makalenin ele aldığı literatür

Çalışma, uzaktan algılama literatüründe yer alan SAR ve optik uydu görüntüleriyle gemi tespiti çalışmalarını incelemektedir. Literatürde YOLOv3, YOLOv4, YOLOv5 ve YOLO-RSSD mimarileri ile yapılan çalışmalara ek olarak FGSCR-42 veri seti üzerinde VGG19, ResNet-50, DenseNet, ResNext, B-CNN, RA-CNN, DCL ve TASN algoritmalarıyla yürütülen ince ayrıştırmalı (fine-grained) sınıflandırma araştırmaları ele alınmış ve karşılaştırmalı analiz yürütülmüştür.

Araştırma Tasarımı

Evren veya inceleme alanı: Optik uydu görüntülerinden oluşan FGSCR-42 kamuya açık veri kümesi tabanlı 7.008 adet görsel verisi
Örneklem veya araştırma materyali: 12 farklı gemi sınıfına (uçak gemisi, kruvazör, muhrip, hücum botu, çıkarma gemisi, taşıma havuzu, tıbbi gemi, savaş gemisi, fırkateyn, konteyner gemisi, römorkör, tanker) ait 7.008 etiketli görüntü
Veri toplama süreci: FGSCR-42 kamuya açık veri setinden elde edilen görsellerin incelenmesi, hatalı etiketli ve niteliksiz resimlerin elenmesi ve MakeSenseAI aracı ile YOLO formatında yeniden etiketlenmesi
Veri analiz yöntemi: Google Colab ortamında Tesla T4 GPU kullanılarak YOLOv8 (n, s, m, l) ve YOLOv9 (c, e) alt paketleri ile 35 epoch, 640 görsel boyutu, 8 worker ve 8 batch parametreleriyle eğitim; mAP50, mAP50-95, kesinlik, duyarlılık ve karmaşıklık matrisi analizleri

YOLOv8YOLOv9mAP50mAP50-95Optik Uydu GörüntüleriGemi TespitiFGSCR-42 Veri Kümesi

Araştırmanın Bulguları

YOLOv8l modeli, %98,9 mAP50 ve %88,1 mAP50-95 değerlerine ulaşarak incelenen tüm alt paketler ve mimariler arasında en yüksek tespit ve sınıflandırma başarısını göstermiştir(Toprak & Yalman, 2025).

YOLOv9 mimarisinin YOLOv9-e türevi %98,9 mAP50 ve %87,5 mAP50-95 başarısı yakalarken, YOLOv9-c türevi %98,8 mAP50 ve %85,9 mAP50-95 performans değerine ulaşmıştır(Toprak & Yalman, 2025).

FGSCR-42 veri setindeki alt kategoriler elden geçirilerek hatalı ve yetersiz görseller temizlenmiş, 12 ana kategoriye indirgenerek 7.008 fotoğraflık optimize bir veri kümesi elde edilmiştir(Toprak & Yalman, 2025).

Sınıf bazlı performans analizinde YOLOv8l modeli; çıkarma gemisi, taşıma havuzu, tıbbi gemi, savaş gemisi, fırkateyn, konteyner gemisi, römorkör ve tanker sınıflarında %99,5 mAP değerine ulaşmıştır(Toprak & Yalman, 2025).

Tüm modeller aynı deneysel ortamda 35 epoch, 640 görsel boyutu, 8 worker ve 8 batch büyüklüğü parametreleriyle Tesla T4 GPU üzerinde eğitilerek adil bir karşılaştırma zemini kurulmuştur(Toprak & Yalman, 2025).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Deneysel sonuçlar, optik uydu görüntülerinden gemi tespiti ve sınıflandırmasında YOLOv8l modelinin %98,9 mAP50 değeriyle üstün bir tespit başarısı yakaladığını göstermektedir. Modelin kesinlik ve duyarlılık eğrilerinin bire yaklaşması ve kayıp grafiklerinin sıfıra yakınsaması, tespit algoritmasının yüksek kararlılıkla çalıştığına işaret etmektedir.

Yazarlar bu yüksek başarımın arkasındaki temel etkeni, FGSCR-42 veri setinde bulunan hatalı etiketlenmiş ve çözünürlüğü yetersiz görsellerin elenerek veri kalitesinin artırılması ve 12 homojen sınıfa odaklanılması olarak açıklamaktadır. Ayrıca YOLO mimarisinin gerçek zamanlı nesne tespiti ve tek bir görüntüde çoklu gemi türünü eşzamanlı konumlandırma kabiliyeti bu sonuçu desteklemiştir.

Elde edilen %98,9 mAP değeri, Di ve arkadaşlarının B-CNN modeliyle ulaştığı %89,53 doğruluk oranının ve Si ve arkadaşlarının YOLO-RSSD modeliyle elde ettiği %96,1 mAP skorunun belirgin biçimde üzerindedir. Römorkör gibi B-CNN modelinde %61,70 gibi düşük doğrulukta kalan zorlu sınıflarda dahi YOLOv8l ile %99,5 mAP başarısına ulaşılmıştır.

Sonuç olarak, temizlenmiş veri seti ve modern nesne tespiti mimarilerinin birleşimi deniz güvenlik takibi ve trafik yönetimi için son derece etkili bir çözüm sunmaktadır. Bununla birlikte, değişen hava koşulları ve düşük uydu görüntüsü çözünürlüğü gibi gerçek dünya zorluklarının üstesinden gelinmesi gelecek çalışmaların kapsamını oluşturmaktadır.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yazarlar FGSCR-42 veri setini oluşturan Di ve arkadaşlarının B-CNN modeliyle elde ettiği %89,53 doğruluk oranını, optimize edilen 12 sınıflı veri setinde YOLOv8l modeli ile %98,9 mAP seviyesine çıkararak önemli bir başarım artışı kaydetmiştir(Toprak & Yalman, 2025).

Si ve arkadaşlarının YOLOv5 tabanlı YOLO-RSSD modeli ile elde ettiği %96,1 mAP değerine kıyasla, bu çalışmada önerilen YOLOv8l konfigürasyonu %98,9 mAP50 skoru elde ederek daha yüksek tespit performansı sergilemiştir(Toprak & Yalman, 2025).

Sonuç Bölümünün Sunduğu Çıkarımlar

Çalışmada, optik uydu görüntülerinden derin öğrenme yöntemleriyle gemi tespiti yapılmasında YOLOv8 ve YOLOv9 mimarilerinin yüksek başarım sunduğu sonuçuna varılmıştır. FGSCR-42 veri seti temel alınarak oluşturulan 12 sınıflı ve 7.008 görüntülü yeni veri seti üzerinde yapılan deneylerde, %98,9 mAP50 değeri ile en yüksek başarımı YOLOv8l modeli göstermiştir. Elde edilen bulgular, optimize edilmiş veri seti ve güncel YOLO mimarilerinin literatürdeki önceki çalışmalara kıyasla belirgin şekilde daha yüksek tespit ve sınıflandırma doğruluğu sağladığını kanıtlamaktadır(Toprak & Yalman, 2025).

Literatür Taraması İçin Sunduğu Çerçeve

Bu çalışma, uzaktan algılama ve bilgisayarla görü alanında optik uydu görüntülerinden gemi tespiti ve çoklu sınıflandırma konularında literatüre önemli bir metodolojik katkı sunmaktadır. Kamusal bir veri kümesi olan FGSCR-42 üzerindeki etiketleme hatalarını ve belirsiz görselleri ayıklayarak 12 sınıflı ve 7.008 fotoğraflık yüksek kaliteli bir veri kümesi oluşturan araştırma, güncel nesne tespiti algoritmalarının performans sınırlarını göstermektedir. Derin öğrenme tabanlı YOLOv8 ve YOLOv9 mimarilerini deneysel koşullarda karşılaştırarak deniz trafiği güvenliği ve stratejik gözetleme için yüksek doğruluklu bir yaklaşım önermektedir.

Önceki literatürde Sentetik Açıklıklı Radar (SAR) verileri ve B-CNN, Faster R-CNN veya YOLOv3/v5 gibi geleneksel modeller yaygın olarak kullanılmıştır. Di ve arkadaşlarının FGSCR-42 veri setinde B-CNN modeliyle elde ettiği %89,53 doğruluk oranı ve Si ve arkadaşlarının YOLO-RSSD ile ulaştığı %96,1 mAP değeri, bu alandaki temel referans noktalarıdır. Çalışma, veri kümesindeki gürültülü verileri temizleyip YOLOv8l mimarisini uygulayarak mAP50 değerini %98,9 seviyesine çıkarmış ve önceki çalışmalardaki düşük sınıflandırma doğruluğu kısıtlarını aşmıştır.

Literatür taraması yapacak araştırmacılar için bu eser, optik uydu görüntülerinde nesne tespiti performansını etkileyen temel faktörlerin veri kalitesi ve mimari seçim olduğunu somut verilerle doğrulamaktadır. Tek bir uydu görüntüsünde birden fazla gemi türünün eşzamanlı tespiti ve konumlandırılmasında YOLOv8l modelinin B-CNN, ResNet-50 ve YOLOv5 gibi önceki yaklaşımlara göre sağladığı üstünlüğü belgelemektedir. Ayrıca derin öğrenme modellerinin deniz güvenlik takibi ve kaçakçılıkla mücadele gibi pratik saha uygulamalarına nasıl entegre edilebileceğini açıklamaktadır.

Kaynakça

Di, Y., Jiang, Z., & Zhang, H. (2021). A public dataset for fine-grained ship classification in optical remote sensing images. Remote Sensing, 13(4), 747. https://doi.org/10.3390/rs13040747
Si, J., Song, B., Wu, J., Lin, W., Huang, W., & Chen, S. (2023). Maritime ship detection method for satellite images based on multiscale feature fusion. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 6642–6655. https://doi.org/10.1109/JSTARS.2023.3296898

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Optik uydu görüntülerinde derin öğrenme ve YOLOv8 mimarileri, geleneksel evrişimli sınır ağlarına kıyasla daha yüksek tespit ve sınıflandırma başarısı sunmaktadır.

Derin öğrenme ve uzaktan algılama literatürünü incelerken, YOLOv8l modelinin optik görsellerde %98,9 mAP50 başarısı yakaladığına dair doğrudan deneysel kanıt sunmak için kullanılabilir(Toprak & Yalman, 2025).

Olumsuz Hava Koşullarında Optik ve SAR İki Modlu Uydu Görüntülerinden Gemi Tespiti

Araştırma sorusu: Optik ve SAR uydu görüntülerinin hibrit birleştirilmesi, bulutlu ve fırtınalı deniz durumlarında gemi tespiti mAP değerini nasıl etkiler?
Yöntem taslağı: Açık veri tabanlarından ve Sentinel uydu arşivlerinden toplanacak optik ve SAR veri çiftleri üzerinde veri birleştirme (data fusion) mimarisi kurulacaktır. Örneklem büyüklüğü güç analizi ile belirlenecek, model eğitimi YOLOv8l alt yapısıyla Tesla GPU ortamında gerçekleştirilerek doğruluk ve mAP50-95 metrikleriyle sınanacaktır.

Makaleyle bağlantısı: Yazarların tartışma ve sonuç bölümlerinde belirttiği olumsuz hava koşulları ve düşük uydu çözünürlüğü sınırlamasına doğrudan deneysel bir çözüm getirmek üzere kurgulanmıştır(Toprak & Yalman, 2025).

Tez veya makalede kullanım · method

Açık kaynaklı veri kümelerindeki etiket gürültülerinin giderilmesi ve sınıfların birleştirilmesi model başarımını doğrudan artırır.

Veri ön işleme ve veri kümesi oluşturma metodolojisi yazılırken, FGSCR-42 veri setindeki 42 alt sınıfın 12 homojen sınıfa indirgenmesi prosedürü metodolojik örnek olarak aktarılabilir(Toprak & Yalman, 2025).

İnsansız Hava Araçları (İHA) Görüntülerinden Gerçek Zamanlı Liman İçi Gemi Sınıflandırması

Araştırma sorusu: YOLOv8l ve YOLOv9-e modellerinin gömülü sistemler üzerindeki çalışma hızı ve mAP performansı liman trafiği takibinde nasıl farklılaşır?
Yöntem taslağı: Yüksek çözünürlüklü İHA liman çekimleri toplanarak MakeSenseAI aracıyla etiketlenecektir. Nitel veri doygunluğu gözetilerek hazırlanan veri kümesi edge-computing cihazlarında (NVIDIA Jetson) çalıştırılacak ve FPS ile mAP50 değerleri ölçülecektir.

Makaleyle bağlantısı: Makalede vurgulanan deniz trafiği yönetimi ve liman güvenliği motivasyonu ile YOLO mimarilerinin gerçek zamanlı nesne tespiti kabiliyetinden türetilmiştir(Toprak & Yalman, 2025).

Tez veya makalede kullanım · Tartışma

YOLOv8l modeli, karmaşık sınıflandırma problemlerinde YOLOv9 alt paketlerine ve önceki YOLO türevlerine kıyasla daha dengeli ve yüksek mAP değerleri sağlamaktadır.

Bulguların tartışıldığı bölümde farklı nesne tespiti algoritmalarının mAP50 ve mAP50-95 performans karşılaştırmalarını desteklemek üzere referans verilebilir(Toprak & Yalman, 2025).

Aşırı Düşük Çözünürlüklü Uydu Görsellerinde Derin Öğrenme Tabanlı Süper Çözünürlük ve Gemi Tespiti

Araştırma sorusu: Generative Adversarial Network (GAN) tabanlı süper çözünürlük ön işleme adımı, düşük çözünürlüklü uydu görüntülerinde gemi tespiti mAP değerini artırır mı?
Yöntem taslağı: Düşük çözünürlüklü uydu görüntüleri GAN modelleriyle ölçeklendirilecek, ardından bu makalede önerilen YOLOv8l modeliyle sınıflandırma yapılacaktır. Performans artışı deneysel doğrulamalarla analiz edilecektir.

Makaleyle bağlantısı: Tartışma bölümünde ifade edilen düşük uydu çözünürlüğü kısıtını aşmaya yönelik metodolojik bir ön işleme modeli önermektedir(Toprak & Yalman, 2025).