Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar

Mustafa Umut Demirezen, (ROKETSAN A.Ş., STGD Yapay Zekâ ve Teknoloji Yönetimi Birimi, Ankara, Türkiye)
Aybüke CIVRIZOGLU BUZ, (HAVELSAN A.Ş., Komuta Kontrol ve Savunma Teknolojileri Teknoloji Geliştirme Grubu, Ankara, Türkiye)
Uraz Yavanoğlu (Gazi Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Ankara, Türkiye)
Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi
12 2
Yıl: 2021 Cilt: 36 Sayı: 3 Sayfa Aralığı: 1399 - 1415 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.826453 İndeks Tarihi: 10-11-2022

Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar

Öz:
Ses dalgalarını kullanarak cismin boyut, uzaklık, yön ve diğer özelliklerinin tespit edilmesi için kullanılan sonar; denizaltı maden, petrol aramalarında, denizaltı haritalamasında, balık sürülerinin takibinde ve mayın tespitlerinde yaygın olarak kullanılmaktadır. Sonar sinyallerinin tanımlanması ve sınıflandırılması için kullanılması gereken öznitelik çıkarımı, seçimi, uygun algoritmaların seçilmesi ve hiperparametrelerinin en iyilemesi çalışmaları, üzerinde uzun yıllardan beri çalışılan bilimsel problemlerdir. Bu çalışmada, yenilikçi bir yaklaşımla üç farklı matematiksel dönüşüm kullanılarak verinin farklı bir formatta sayısal temsili önerilmekte ve derin öğrenme yöntemlerinin bu problem özelinde başarımlarının klasik makine öğrenmesi ve istatistiksel örüntü tanıma yöntemleri ile karşılaştırılması yapılmaktadır. Markov Dönüşüm Alanı, Gramian Açısal Alanı ve Tekrarlanma Grafiği matematiksel dönüşümleri verinin zaman serisi türünden görüntü formatında ifade edilebilmesi için kullanılmıştır. Elde edilen dönüştürülmüş verilerin kullanılmasıyla, derin öğrenme algoritmalarının eğitilmesi sağlanarak, üretilen modellerin başarımı ve klasik algoritmalar ile elde edilen sonuçlar, metrikler yardımıyla karşılaştırılmıştır. Önerilen zaman serisi verisinin görüntüye dönüştürülmesi yaklaşımlarının, problem çözümünde öznitelik çıkarma gereksinimini ortadan kaldırdığı ve bugüne kadar literatürde tespit edilen en iyi sonuçları verdiği belirlenmiştir. Önerilen yeni yaklaşımın, sadece zaman serisi tabanlı sınıflandırma problemleri için değil, farklı araştırma alanlarında da uygulanabileceği ve verinin temsili amacıyla, önerilen matematiksel dönüşümler ile makine öğrenmesi algoritmalarının başarımının arttırılması için önemli katkılar sağlayacağı değerlendirilmektedir.
Anahtar Kelime: Markov dönüşüm alanı Gramian açısal alan tekrarlama grafiği sonar derin öğrenme

Time series - image transformation-based new approaches in detecting underwater objects with machine learning methods

Öz:
Sonar used to determine the size, distance, direction and other features of an object using sound waves; It is widely used in underwater mining and oil exploration, submarine mapping, tracking fish shoals and mine detection. Feature extraction, selection, selection of appropriate algorithms and optimization of hyperparameters that should be used for the identification and classification of sonar signals are scientific problems that have been studied for many years. In this study, using three different mathematical transformations as an innovative approach, numerical representation of data in a different format is proposed and the performance of deep learning methods in this particular problem is compared with classical machine learning and statistical pattern recognition algorithms. Mathematical transformations of Markov Transform Field, Gramian Angular Field and Repetition Plot are used to express the data in image format from time series type. By using the transformed data obtained, deep learning algorithms were trained and the performance of the produced models and the results obtained with classical algorithms were compared with the help of metrics. It has been determined that the proposed time series data to image transformation approaches eliminate the need for feature extraction in problem solving and give the best results determined in the literature so far. It is considered that the proposed new approach can be applied not only to time series based classification problems, but also in different research areas, and will provide significant contributions to increase the performance of machine learning algorithms with the proposed mathematical transformations for the representation of data.
Anahtar Kelime: Markov transition field Gramian angular field repetition plots sonar deep learning

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • 1. Waite A.D., Sonar for Practising Engineers. Wiley, West Sussex, İngiltere, 2002.
  • 2. Jing L., The Principle of Side Scan Sonar and Its Application in The Detection Of Suspended Submarine Pipeline Treatment, Materials Science and Engineering, 439, 2018.
  • 3. Lucieer V.L., Object-Oriented Classification Of Sidescan Sonar Data For Mapping Benthic Marine Habitats, International Journal of Remote Sensing, 29 (3), 905–921, 2018.
  • 4. Burguera A., Oliver G., High-Resolution Underwater Mapping Using Side-Scan Sonar, PLOS ONE. 11 (1), 2016.
  • 5. Flowers H.J., Hightower J.E., A Novel Approach to Surveying Sturgeon Using Side-Scan Sonar and Occupancy Modeling, Marine and Coastal Fisheries. 5 (1), 211–223, 2013.
  • 6. Çelebi A.T., Güllü M.K, Ertürk S., Mine Detection in Side Scan Sonar İmages Using Markov Random Fields With Brightness Compensation, IEEE 19th Signal Processing and Communications Applications Conference (SIU), 916–919, 2011.
  • 7. Huebner C.S., Evaluation Of Side-Scan Sonar Performance For The Detection Of Naval Mines, Target And Background Signatures IV, SPIE, 10794, 158–166, 2018.
  • 8. Verleysen M., François D., The Curse of Dimensionality in Data Mining and Time Series Prediction. Lecture Notes in Computer Science, 3512 (06), 758–770, 2005.
  • 9. Gorman R.P., Sejnowski T.J., Analysis of Hidden Units in a Layered Network Trained to Classify Sonar Targets. Neural Networks., 1 (1), 75–89, 1988.
  • 10. Pamaja V., Rajendran V., Vijayalakshmi P., Study on Metal Mine Detection From Underwater Sonar Images Using Data Mining and Machine Learning Techniques, Journal of Ambient Intelligence and Humanized Computing, 11 (4), 2020.
  • 11. Erkmen B., Yıldırım T., Improving Classification Performance Of Sonar Targets By Applying General Regression Neural Network With PCA, Expert Systems with Applications, 35 (1-2), 472–475, 2008.
  • 12. Bakbak P.O., Peker M., Classification Of Sonar Echo Signals in Their Reduced Sparse Forms Using Complex-Valued Wavelet Neural Network, Neural Computing and Applications (Neural Comput Appl), 32 (1), 2020.
  • 13. Hossin M., Mahudin F., Din I., Mat A.R., Analysis of Nine Instance-Based Genetic Algorithm Classifiers Using Small Datasets. Journal of Telecommunication, Electronic and Computer Engineering, 9, 3–11, 2017.
  • 14. Novakovic J., Using Information Gain Attribute Evaluation to Classify Sonar Targets., Telecommunications forum (TELFOR), 8, 5-11, 2009.
  • 15. Fong S., Deb S., Wong R., Underwater Sonar Signals Recognition by Incremental Data Stream Mining with Conflict Analysis, International Journal of Distributed Sensor Networks, 10 (5), 2014.
  • 16. Hong X., Zhang J., Guan S.U., Incremental Maximum Gaussian Mixture Partition For Classification., 2nd Joint International Information Technology, Mechanical and Electronic Engineering Conference (JIMEC 2017), 62, 2017.
  • 17. Shang T., Xia X., Zheng J., MIME-KNN: Improve KNN Classifier Performance Include Classification Accuracy and Time Consumption, DEStech Transactions on Computer Science and Engineering, 2018.
  • 18. Doğan Y., Improvement of Self-Repeating Deep Neural Networks With Feature Selection Methods and Their Use İn Automatic Identification System Data Considered as Time Series, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (4), 1897-1912, 2020.
  • 19. Kasım Ö., Kuzucuoğlu A., Detection and classification of leukocyte cells from smear image, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (1), 95-109, 2015.
  • 20. Aktaş, A., Doğan, B., Demı̇r, Ö., Tactile Parquet Surface Detection With Deep Learning Methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (3), 1685-1700, 2020.
  • 21. Yun X., Goodacre R., On Splitting Training and Validation Set: A Comparative Study of Cross- Validation, Bootstrap and Systematic Sampling for Estimating the Generalization Performance of Supervised Learning, Journal of Analysis and Testing, 2 (3), 249-62, 2018.
  • 22. Wang Z., Oates T., Imaging Time-Series to Improve Classification and Imputation, Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI), Temmuz 2015.
  • 23. Wang Z., Oates T., Spatially Encoding Temporal Correlations to Classify Temporal Data Using Convolutional Neural Networks, Journal of Computer and Systems Sciences, 2015.
  • 24. Eckmann J.P., Kamphorst S.O., Ruelle D., Recurrence Plots of Dynamical Systems, Euro-Physics Letters (EPL). 4 (9), 973–977, 1987.
  • 25. Tang, Z., Zeng, X., Guo, Z., & Song, M., Malware Traffic Classification Based on Recurrence Plots and Deep Neural Networks Quantification Analysis. Int. J. Netw. Secur., 22, 449-459, 2020.
  • 26. Cortes C., Vapnik V., Support-vector Networks, Machine Learning, 20 (3), 273–297, 1995.
  • 27. Benkercha R., Moulahoum S., Fault Detection And Diagnosis Based On C4.5 Decision Tree Algorithm For Grid Connected PV System, Solar Energy, 173, 610-634, 2018.
  • 28. Zhang S., Cheng D., Deng Z., Zong M., Deng X., A novel KNN Algorithm With Data-Driven K Parameter Computation, Pattern Recognition Letters, 109, 44–54, 2018.
  • 29. Raschka S., Mirjalili V., Python Machine Learning, 2nd Edition, A.B.D., 2017.
  • 30. Wen J., Fang X., Cui J., Fei L., Yan K., Yan C., Xu Y., Robust Sparse Linear Discriminant Analysis, IEEE Transactions on Circuits and Systems for Video Technology, 29 (2), 390-403, 2018.
  • 31. Zhu C., Idemudia C.U., Feng W., Improved Logistic Regression Model For Diabetes Prediction By İntegrating PCA and K-Means Techniques, Informatics in Medicine Unlocked, 17, 2019.
  • 32. Banerjee C., Mukherjee T., Pasiliao E., The Multi-phase ReLU Activation FunctionAnnals of Statistics, Proceedings of the 2020 ACM Southeast Conference (ACM SE ‘20), Tampa FL USA, 239-242, Nisan 2020.
  • 33. Taqi A. M., Awad A., Al-Azzo F., Milanova M., The Impact of Multi-Optimizers and Data Augmentation on TensorFlow Convolutional Neural Network Performance, IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), Miami, FL, 140-145, 2018.
  • 34. Ruby A.U., Theerthagiri P., Jacob I.J., Vamsidhar Y., Binary Cross Entropy With Deep Learning Technique For Image Classification, International Journal of Advanced Trends in Computer Science and Engineering, 9 (4), 5393-5397, 2020.
  • 35. A. Civrizoğlu Buz, M.U. Demirezen, U. Yavanoğlu., A Novel Approach and Application of Time Series to Image Transformation Methods on Classification of Underwater Objects, in Proceedings of the 4th International Conference on Engineering Technologies (ICENTE'20). 19-21 Kasım 2020, Konya, Türkiye, https://icente.selcuk.edu.tr/uploads/files2/ICENTE20_P roceedingsBook_v1.pdf., Erişim Tarihi: 15 Ocak. 2021.
APA Demirezen, Ph.D. M, CIVRIZOGLU BUZ A, Yavanoğlu U (2021). Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. , 1399 - 1415. 10.17341/gazimmfd.826453
Chicago Demirezen, Ph.D. Mustafa Umut,CIVRIZOGLU BUZ Aybüke,Yavanoğlu Uraz Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. (2021): 1399 - 1415. 10.17341/gazimmfd.826453
MLA Demirezen, Ph.D. Mustafa Umut,CIVRIZOGLU BUZ Aybüke,Yavanoğlu Uraz Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. , 2021, ss.1399 - 1415. 10.17341/gazimmfd.826453
AMA Demirezen, Ph.D. M,CIVRIZOGLU BUZ A,Yavanoğlu U Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. . 2021; 1399 - 1415. 10.17341/gazimmfd.826453
Vancouver Demirezen, Ph.D. M,CIVRIZOGLU BUZ A,Yavanoğlu U Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. . 2021; 1399 - 1415. 10.17341/gazimmfd.826453
IEEE Demirezen, Ph.D. M,CIVRIZOGLU BUZ A,Yavanoğlu U "Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar." , ss.1399 - 1415, 2021. 10.17341/gazimmfd.826453
ISNAD Demirezen, Ph.D., Mustafa Umut vd. "Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar". (2021), 1399-1415. https://doi.org/10.17341/gazimmfd.826453
APA Demirezen, Ph.D. M, CIVRIZOGLU BUZ A, Yavanoğlu U (2021). Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(3), 1399 - 1415. 10.17341/gazimmfd.826453
Chicago Demirezen, Ph.D. Mustafa Umut,CIVRIZOGLU BUZ Aybüke,Yavanoğlu Uraz Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no.3 (2021): 1399 - 1415. 10.17341/gazimmfd.826453
MLA Demirezen, Ph.D. Mustafa Umut,CIVRIZOGLU BUZ Aybüke,Yavanoğlu Uraz Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.36, no.3, 2021, ss.1399 - 1415. 10.17341/gazimmfd.826453
AMA Demirezen, Ph.D. M,CIVRIZOGLU BUZ A,Yavanoğlu U Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(3): 1399 - 1415. 10.17341/gazimmfd.826453
Vancouver Demirezen, Ph.D. M,CIVRIZOGLU BUZ A,Yavanoğlu U Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(3): 1399 - 1415. 10.17341/gazimmfd.826453
IEEE Demirezen, Ph.D. M,CIVRIZOGLU BUZ A,Yavanoğlu U "Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, ss.1399 - 1415, 2021. 10.17341/gazimmfd.826453
ISNAD Demirezen, Ph.D., Mustafa Umut vd. "Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/3 (2021), 1399-1415. https://doi.org/10.17341/gazimmfd.826453
Sayfa Oluşturulma Tarihi
24-04-2024 4:34

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları