Akustik ve sismik sinyaller kullanılarak hareketli yer hedeflerinin sınıflandırılması

Abstract

Hareketli yer hedeflerinin tespiti ve sınıflandırılması sınır güvenliği ve özel bölgelerin korunması için önem arz etmektedir. Bu çalışmada sınır güvenliği için mikrofon ve ivme ölçer sensörleri kullanılarak insan araba ve boş ortam sınıflandırması yapabilen bir algoritmanın geliştirilmesi amaçlanmıştır. Hedeflerin zemin yüzeyinde oluşturdukları sismik dalgalar ve etrafa yaydıkları akustik sinyaller ivmeölçer ve mikrofon sensörleri aracılığı ile SAYKAL ELEKTRONİK firması tarafından geliştirilen veri toplama sistemi kullanılarak kayıt altına alınmış ve bilgisayar ortamına taşınmıştır. Elde edilen sinyaller üzerinden zaman uzayı ve frekans uzayı analizleri yapılmış ve öznitelik çıkartımı işlemi gerçekleştirilmiştir. Zaman uzayı öznitelikleri olarak sinyallerin istatistiksel özellikleri, enerji, entropi gibi bilgileri kullanılmıştır. Frekans uzayında ise sinyallerin güç spektral yoğunluğu ve MFCC gibi farklı öznitelikleri kullanılmıştır. Sınıflandırma işlemini gerçekleştirmek amacıyla k-EYK, DVM ve XGBoosting algoritmaları kullanılmıştır. Çalışmanın başlangıç aşamasında, ivmeölçer ve mikrofon verileri üzerinde farklı modeller eğitilerek problemin çözümü üzerinde her bir sensör için başarı analizleri gerçekleştirilmiştir. Ancak, bu analizler sonucunda sınıflandırma performansının sınırlı kaldığı gözlemlenmiştir. Sonraki aşamada, ivmeölçer ve mikrofon sensörlerinden elde edilen veriler birleştirilmiş ve yeni bir model geliştirilmiştir. Bu kaynaştırılmış veri yaklaşımı ile sınıflandırma performansında belirgin bir iyileşme sağlanmıştır. Bununla birlikte, modelin sınıflandırma performansını daha da artırmak amacıyla alternatif bir yöntem önerilmiştir. Önerilen yöntem, sınıflandırma işlemini iki aşamalı bir algoritma ile gerçekleştirmektedir. Algoritmanın ilk aşamasında, sensör verileri ayrı ayrı ele alınarak analiz edilmektedir. Sensörlerin farklı tepki verdiği örnekler kaynaştırılarak bir tespit iyileştirme modeli oluşturulmuştur. Bu yaklaşım, hareketli hedeflerin tespit performansını artırmayı sağlamaktadır. İkinci aşamada ise tespit edilen hareketli hedeflerin sınıflandırma işlemi gerçekleştirilmiştir. Yapılan testler sonucunda, önerilen yöntemin sınıflandırma başarımını artırdığı ve mevcut yaklaşımlara kıyasla daha yüksek bir performans sağladığı gösterilmiştir.The detection and classification of moving ground targets are important for border security and protection of special areas. In this study, an algorithm was developed for border security that can classify human, vehicle and empty environment using microphones and accelerometer sensors. The seismic waves created by the targets on the ground surface and the acoustic signals they emit were recorded using a data collection system developed by SAYKAL Electronics company with accelerometers and microphone sensors and transferred to a computer environment. Time domain and frequency domain analyses were performed on the obtained signals. Feature extraction was performed. Statistical properties of signals, energy, entropy were used as time domain features. In frequency domain, different features of signals such as power spectral density and MFCC were used. To perform the classification process, k-NN, SVM, and XGBoosting algorithms were used. In the initial phase of the study, different models were trained on accelerometer and microphone data, and performance analyses were conducted for each sensor to solve the problem. However, it was observed that the classification performance remained limited. In the subsequent phase, data from the accelerometer and microphone sensors were fused, and a new model was developed. This data fusion approach resulted in a significant improvement in classification performance. Nevertheless, to further enhance the classification performance of the model, an alternative method was proposed. The proposed method performs the classification process using a two-stage algorithm. In the first stage, sensor data are analyzed separately. Examples that elicited different responses from the sensors were fused and passed through a detection improvement model. This approach enhanced the detection performance of moving targets. In the second stage, the classification process for the detected moving targets was carried out. Test results demonstrated that the proposed method improved classification performance and achieved higher accuracy compared to existing approaches.