Today, with the increasing number of criminal activities, automatic control systems are becoming the primary need for security forces. In this study, a new model is proposed to detect seven different weapon types using the deep learning method. This model offers a new approach to weapon classification based on the VGGNet architecture. The model is taught how to recognize assault rifles, bazookas, grenades, hunting rifles, knives, pistols, and revolvers. The proposed model is developed using the Keras library on the TensorFlow base. A new model is used to determine the method required to train, create layers, implement the training process, save training in the computer environment, determine the success rate of the training, and test the trained model. In order to train the model network proposed in this study, a new dataset consisting of seven different weapon types is constructed. Using this dataset, the proposed model is compared with the VGG-16, ResNet-50, and ResNet-101 models to determine which provides the best classification results. As a result of the comparison, the proposed model’s success accuracy of 98.40% is shown to be higher than the VGG-16 model with 89.75% success accuracy, the ResNet-50 model with 93.70% success accuracy, and the ResNet-101 model with 83.33% success accuracy.

ÖzGünümüz toplumunda, insanları tehdit eden en önemli etmenlerden birisi terörizmdir. Terörizm bir toplumda, insanların düzen durumlarını bozarak, yaşam kalitesini etkilemektedir. Devletler ise terörle mücadele etmek için sürekli farklı yöntemler geliştirmektedir. Bu yöntemlerden birisi de terörle mücadele için makine öğrenmesinin bir alt alanı olan derin öğrenmenin kullanılmasıdır. Derin öğrenme, makine öğrenmesi alanında son yıllarda oldukça popülerlik kazanmıştır. Bu çalışmada, terör faaliyetlerini fark etmek ve önlemek için derin öğrenmeye dayalı VGG-16 mimarisi temel alınarak yeni bir model önerilmektedir. Önerilen model ile güvenlik kontrollerinde kullanılan kamera görüntülerinden alınan görüntülerde, insan ya da tren rayları üzerinde dinamit tespit edildiğinde, durumu hızla belirlemek ve uygun önlemleri almak için güvenlik görevlilerini uyaran bir sistem gerçekleştirilmiştir. Çalışmada kullanılan veri seti, internet ortamından indirilen dinamit resimleri düzenlenerek oluşturulmuştur. Önerilen modelin performansını değerlendirmek için, insan ya da tren rayları üzerinde bulunan dinamit resimleri test edilerek, %98,4'lük başarı doğruluğu ve 0,024 kayıp oranıyla dinamit görüntüleri tespit edilmektedir.

In order to solve NP-type problems, a lot of methods have been developed by exploiting the properties of systems in the nature. Genetic Algorithms, Ant Colony Optimization, Artificial Neural Networks, Artificial Immune Systems, etc. are this-type algorithms. In this study, tree growing up algorithm inspired by growing up of trees was used to estimate the secondary structure of proteins. Proteins 1bbe, 1a89 and 1a9a were selected for experimental applications and obtained results illustrates the superiority of the applied method, since it obtained success of 99% based on the real-valued problems.