Derin öğrenme yaklaşımıyla gerçek zamanlı görüntüler üzerinde tehlikeli nesne tespiti

Abstract

Teknolojinin gelişmesiyle birlikte, yapay zekâ alanında yapılan çalışmalarda ciddi bir artış meydana gelmiştir. Toplumsal yaşamın her alanında yapay zekâ çalışmaları gerçekleştirilmekle beraber güvenlik sistemleri alanında da çalışmalar yapılmaktadır. Bu alan ile ilgili çok karşılaşılan konulardan biri, güvenlik kameraları üzerinde suçun tespit edilmesidir. Bu ihtiyacın en önemli sebebi, günümüzde güvenlik kameralarının yaygın olarak kullanılmasına rağmen suçun ve suçlunun tespiti için insan operatörlerin uzun saatler boyunca ilgili bölgeyi farklı açılardan görüntüleyen video kayıtlarını izlemek zorunda olmasıdır. Bu çalışmada, tehlikeli nesnelerle işlenen suçları derin öğrenme yöntemleri ile güvenlik kameraları üzerinde gerçek zamanlı tespit edebilmek ve ilgili kişileri anlık olarak uyarabilmek amaçlanmıştır. Çalışma kapsamında tehlikeli nesnelerden ‘tabanca’, ‘tüfek’ ve ‘bıçak’ sınıf etiketleri için herkese açık veri setleri kullanılarak popüler derin öğrenme mimarilerinden YOLOv5, YOLO NAS, YOLOv8, YOLOv9 ve MobileNet mimarileri kullanılmıştır. Eğitimler sonucunda en başarılı model seçilerek web tabanlı bir uygulama geliştirilmiş ve gerçek zamanlı olarak uygulama üzerinde ön tanımlı kişilere tehlike durumunda bildirim gönderebilmek hedeflenmiştir. Çalışmadan beklenen fayda, insan kaynaklı hataların önüne geçilmesi ve güvenlik personeli maliyetlerinin azaltılmasının yanında suçun gerçek zamanlı tespitiyle birlikte önlenebilme olasılığını arttırmaktır.With the advancement of technology, there has been a significant increase in studies in artificial intelligence. While AI research is being conducted in all areas of social life, studies are also being carried out in the field of security systems. One of the frequently encountered topics in this area is the detection of crime on security cameras. The main reason for this need is that, despite the widespread use of security cameras today, human operators still have to watch video recordings of the relevant area from different angles for long hours to detect crimes and criminals. This study aims to detect crimes committed with dangerous objects on security cameras in real-time using deep learning methods and instantly alert the relevant individuals. Within the scope of the study, popular deep learning architectures such as YOLOv5, YOLO NAS, YOLOv8, YOLOv9, and MobileNet were used with public datasets for the class labels of dangerous objects: ‘gun’, ‘rifle’, and ‘knife’. After the training, the most successful model was selected, and a web-based application was developed to send notifications to predefined individuals in case of danger in real-time. The expected benefit of the study is to increase the possibility of preventing crime through real-time detection, as well as reducing human errors and security personnel costs.