Shammari, Faris Kareem Halyut2022-07-082022-07-082022-06https://hdl.handle.net/20.500.14619/2008https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=RsTBl6RWK25OBMIKtIgYYaIChMSsUWsJhGICNJd8426RjzG8Cxul9-Fddt0oDxEPDetecting objects utilizing deep learning is one of the most essential deep learning and computer vision applications where one can learn image features in normal weather conditions and different rain conditions. Therefore, a deep convolutional neural network (CNN) has become more important for object detection. Rain is a common and major factor in degrading image quality and decreasing object detection accuracy. The main aim of this work is to remove rain streaks and improve the quality of image/video for object detection with high accuracy, increase the reliability of the algorithm and decrease the error rate in the object detection process, in normal conditions and different rain conditions (light, medium and heavy), compared to the methods used in previous work mentioned in the research. Firstly, the quality of the images is improved and removed rain streaks by a de-raining algorithm that uses the Deep Detail Network (DDN) method. Then the way deep learning is the main object detector, through using the YOLO to detect objects identify their type. YOLOv3 and tiny-YOLOv3 have been determined from the literature review as the most suitable and efficient algorithms for object detection in real-time after improving the image quality. The performance of these algorithms has been calculated and compared with each other in terms of accuracy. To evaluate the effectiveness of the devised approach (DDN+YOLOv3), the Dice Coefficient (F1-score), Recall, Precision and accuracy were computed. Using the proposed model combined of Deep Detail Network (DDN) to de-rain with YOLOv3 technique, the mean of F1-score of 95.02%, Recall of 97.22%, a Precision of 92.92% and accuracy of 90.51% were attained. Our presented approach is more flexible and accurate to detect objects under different rain conditions according to the results of the experiments that we obtained. And it is considered the best way to obtain high accuracy for detecting objects, compared to machine learning methods that use the same proposed idea.Derin öğrenme kullanılarak nesnelerin algılanması, normal hava koşullarında ve farklı yağmur koşullarında görüntü özelliklerinin öğrenilebileceği en temel derin öğrenme ve bilgisayarla görü uygulamalarından biridir. Bu nedenle, nesne tespiti için derin bir evrişimli sinir ağı (CNN) daha önemli hale geldi. Yağmur, Görüntü kalitesini ve nesne algılama doğruluğunu azaltmada yaygın ve önemli bir faktördür. Bu çalışmanın temel amacı, normal ve farklı yağmur koşullarında, nesne tespitinde yağmur çizgilerini ortadan kaldırmak ve görüntü/video kalitesini yüksek doğrulukla iyileştirmek, algoritmanın güvenilirliğini artırmak ve nesne algılama sürecindeki hata oranını azaltmaktır ( hafif, orta, ağır) aramada daha önce bahsedilen eserlerde kullanılan yöntemlerle karşılaştırıldığında. İlk olarak, Derin Ayrıntı Ağı (DDN) yöntemini kullanan bir yağmur azaltma algoritması ile görüntülerin kalitesi iyileştirilir ve yağmur izleri kaldırılır. Daha sonra, derin öğrenmenin yolu, nesnelerin türlerini tanımlamak için YOLO'yu kullanarak ana nesne dedektörüdür. YOLOv3 ve tiny-YOLOv3, görüntü kalitesini iyileştirdikten sonra gerçek zamanlı olarak nesne tespiti için en uygun ve verimli algoritmalar olarak literatür taramasından belirlenmiştir. Bu algoritmaların performansları hesaplanmış ve doğruluk açısından birbirleriyle karşılaştırılmıştır. Tasarlanan yaklaşımın (DDN+YOLOv3) etkinliğini değerlendirmek için Zar Katsayısı (F1-skor), Geri Çağırma, Kesinlik ve doğruluk hesaplandı. YOLOv3 tekniği ile yağmurdan arındırmak için Derin Ayrıntı Ağı (DDN) ile birleştirilmiş önerilen model kullanılarak, F1 skorunun ortalaması %95,02, Geri Çağırma %97,22, %92,92 Hassasiyet ve %90,51 doğruluk elde edildi. Sunulan yaklaşımımız, elde ettiğimiz deneylerin sonuçlarına göre farklı yağmur koşullarında nesneleri algılamak için daha esnek ve doğrudur. Aynı önerilen fikri kullanan makine öğrenme yöntemlerine kıyasla, nesneleri algılamak için yüksek doğruluk elde etmenin en iyi yolu olarak kabul edilir."eninfo:eu-repo/semantics/openAccessDeep learningObject detectionRain streaksYOLODeep Detail Network.Derin öğrenmeNesne algılamaYağmur çizgileriYOLODerin Ayrıntı AğıGörüntü İşleme.Master Thesis751873