Kıran, Mustafa ServetSeyfi, Gökhan2025-04-132025-04-132024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=E_eEUHQic_C-LvhxNQn1W0sKwrbOt4ZJpxhVlssAIli-mqTjjmlP-yQ_4eJo-xj0https://hdl.handle.net/20.500.13091/10003Kamu kurum ve kuruluşlarında vazgeçilmez olan güvenlik terör vb. eylemlere karşı en yüksek seviyeye çıkarılmaya çalışılır. Bunun için güvenlik görevlileri tarafından kullanılan X-ray görüntüleri üzerinden yasaklı maddelerin görevliler tarafından tespiti, zaman, iş gücü ve uzman eksiklikleri nedeniyle verimli olmayabilir. Bu ve benzer sebeplerden ötürü ilgili süreci otomatikleştirmek ve insan faktörünü ortadan kaldırmak için çeşitli yöntemler geliştirilmiştir. Derin öğrenme yöntemleri ile görüntü analizi ve nesne tanıma ise bu sorunları aşma potansiyeline sahiptir. Tez çalışmasında, dizüstü bilgisayarlar gibi elektronik cihazlarda gizlenmiş patlayıcı devrelerinin tespiti konusu incelenmiştir. Bu problemi çözmek için hipotezler sunulmuş ve bu hipotezlere dayanarak derin öğrenme tabanlı çözüm yaklaşımları geliştirilmiştir. Problemi çözmek için ilk aşamada yeni ve özgün bir veri seti oluşturulmuş ve bu veri seti üzerinde sınıflandırma literatürdeki derin öğrenme modelleri kullanılarak gerçekleştirilmiştir. Yapılan deney çalışmaları sonuçları incelendiğinde veri seti boyutu ve karmaşıklığı nedeniyle çeşitli problemler ortaya çıktığı görülmüştür. İkinci aşamada elde edilen sınıflandırma başarılarının arttırılması amacıyla derin öğrenme modelleri özellik haritalarını birleştirmeye yönelik bir yaklaşım geliştirilmiştir. Bu yaklaşımın, özellikle boyutun küçük ve karmaşıklığının yüksek olduğu veri setlerinde başarım artırımı için yol gösterici nitelikte olduğu düşünülmektedir. Çalışmanın ilk aşamasında derin öğrenme alanında yaygın olarak kullanılan Evrişimsel Sinir Ağları tabanlı 11 farklı model sınıflandırma amacıyla tasarlanmıştır. Çalışmada yaşanan ilk zorluk veri setinin boyutunun küçük olması ve karmaşıklığı nedeniyle test esnasında yaşanmıştır. Test başarısı eğitim başarısına göre düşük olmuş ve yöntemler aşırı öğrenme yapmıştır. Bu durumu azaltmak ve başarımı artırmak için daha kısa süre eğitime ihtiyaç duyan ve aşırı öğrenmeye dirençli bir sınıflandırıcı yöntem kullanılması hedeflenmiştir. Böylece RWN (Random Weight Network) tabanlı bir sınıflandırıcı içeren özellik füzyonu yöntemi önerilmiş, yapılan literatürdeki derin öğrenme yöntemlerine ait deneyler ve yalnızca sınıflandırıcının değiştirildiği yöntem ile kıyaslanmış patlayıcı tespitinde kullanılmıştır. Çalışmanın son bölümünde RWN ve özellik füzyonu kullanılarak bir analiz yapılmıştır. Bu analiz, farklı ara katman ve hiper parametreler değerleri altında her bir yaklaşımın performansını ve etkinliğini değerlendirmeyi amaçlamıştır. Sonuç olarak geliştirilen özellik füzyonu yönteminin başarıya katkısı deney sonuçlarıyla gösterilmiştir.This thesis focuses on the detection of explosive circuits hidden in electronic devices, such as laptops, using X-ray imaging technologies, which are commonly used for security purposes in public institutions. The detection of prohibited items by security personnel through X-ray images may not be efficient due to issues such as time constraints, labor, and lack of expertise. Therefore, various methods have been developed to automate this process and eliminate human factors. Deep learning methods hold the potential to overcome these issues by automating image analysis and object recognition. In the first phase of the study, an original dataset was created for detecting explosive circuits, and classification was performed using deep learning models on this dataset. However, due to the small size and high complexity of the dataset, various problems arose during the testing phase. To address these issues, in the second phase, a method was developed to improve classification performance by combining feature maps from deep learning models. In particular, 11 different models based on Convolutional Neural Networks (CNN) were designed for classification purposes. The first challenge in the study was the small size of the dataset, which led to overfitting during testing, resulting in lower test performance compared to training performance. To mitigate this issue and improve performance, a classifier method that requires shorter training time and is resistant to overfitting was proposed. Thus, a feature fusion method with a Random Weight Network (RWN)-based classifier was introduced, and its performance was compared with the deep learning methods in the literature, as well as with a method where only the classifier was changed, for explosive detection. In the final section of the study, an analysis was conducted using RWN and feature fusion. This analysis aimed to evaluate the performance and effectiveness of each approach under different intermediate layer and hyperparameter values. As a result, the contribution of the developed feature fusion method to success was demonstrated through experimental results.trBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGörüntü sınıflandırmaComputer Engineering and Computer Science and ControlImage ClassificationDoctoral Thesis