Termal Kamera Görüntüleri ile Nesne ve İnsan Tespiti Sistemi

Abstract

Günümüzde bilgisayarlı görü ve derin öğrenme tabanlı nesne tespiti teknolojileri, özellikle güvenlik, arama-kurtarma ve savunma gibi kritik uygulama alanlarında yaygın olarak kullanılmaktadır. Ancak RGB görüntüler kullanan geleneksel sistemler, düşük ışık, sis, duman ve toz gibi zorlu çevresel koşullarda performanslarını büyük ölçüde kaybetmektedir. Bu bağlamda, termal görüntüleme sistemleri; çevresel ışık bağımlılığını ortadan kaldırarak düşük görüş koşullarında dahi nesne tespiti yapılmasına olanak tanımaktadır. Bu tez çalışmasında, termal kamera verileri kullanılarak insan ve uzuv (baş ve kol) tespiti yapılabilen, derin öğrenme temelli bir nesne tanıma sistemi geliştirilmiştir. Çalışma kapsamında YOLOv10 mimarisinin farklı versiyonları (m, b, l) kullanılarak toplam dokuz model eğitilmiş, ayrıca öneri tabanlı bir yöntem olan Faster R-CNN mimarisi ile karşılaştırmalı analiz gerçekleştirilmiştir. Roboflow platformu üzerinde özel olarak oluşturulan, etiketlenmiş termal görüntü veri seti kullanılmış; görüntü işleme sürecinde çeşitli veri artırma ve ön işleme teknikleri uygulanmıştır. Elde edilen sonuçlar, YOLOv10 mimarisinin özellikle hız ve doğruluk dengesi açısından oldukça başarılı olduğunu, optimize edilmiş model konfigürasyonlarıyla termal görüntü verisi üzerinde yüksek doğruluk oranları sağladığını göstermiştir. Ayrıca, önerilen sistemin gerçek zamanlı uygulamalar için uygunluğu ve uzuv seviyesinde tespit kapasitesi, bu çalışmanın özgün katkıları arasında yer almaktadır.

Nowadays, computer vision and deep learning-based object detection technologies are widely used in critical domains such as security, search and rescue, and defense. However, traditional systems relying on RGB images suffer significant performance loss under adverse environmental conditions such as low light, fog, smoke, or dust. In this context, thermal imaging systems eliminate dependency on ambient light, enabling object detection even in low-visibility scenarios. In this thesis, a deep learning-based object detection system has been developed for detecting humans and body parts (head and arm) using thermal camera data. A total of nine models were trained using different variants (m, b, l) of the YOLOv10 architecture, and a comparative analysis was conducted with the region proposal-based Faster R-CNN architecture. A custom-labeled thermal image dataset was created on the Roboflow platform, and various data augmentation and preprocessing techniques were applied. The results demonstrated that the YOLOv10 architecture performs remarkably well in terms of speed and accuracy, achieving high precision on thermal image data when optimized configurations are used. Moreover, the proposed system's suitability for realtime applications and its capability to detect body parts at a fine level are among the unique contributions of this study.