Bulletin of the Polish Academy of Sciences: Technical Sciences

ÖzElektrokardiyogram (EKG) işareti, kalp atımları esnasında kalp kasları tarafından üretilen ve kalbin elektriksel aktivitesini öğrenmek için vücudun yüzeyine yerleştirilen elektrotlar yardımıyla alınan işaretlerdir. Elde edilen işaretler kuvvetlendirildikten sonra sayısal işaret işleme yöntemleri ile analiz edilebilirler. Analiz sonucunda elde edilen işaretler özellikle kalp hastalıklarının teşhis ve tedavisinde veya kişinin sağlığı açısından belirleyici etkiye sahip olacaktır. Ölçüm sonucunda insan vücudundan elde edilen işaretlerde en az iki işaretin karışmış şekli elde edilecektir. Bu çalışmada anne karnındaki bebeğin EKG' sinin elde edilmesi için işaret ayrıştırmada kör kaynak ayrıştırma algoritmalarından negatif olmayan matris ayrıştırma yöntemi kullanılmıştır. Kaynak işareti olarak anne EKG, Fetal EKG (bebeğin) ve gürültü işaretlerinin karışımı olan veride işaret ayrıştırma işlemi yapılmıştır. Negatif olmayan matris ayrıştırma algoritmalarından Çarpımsal Güncelleme yöntemi ve Hiyerarşik Değişen En Küçük Kareler yöntemi kullanılarak performans analizleri ile birlikte işlem maliyetleri karşılaştırılmıştır. Uygun olan yöntemi belirlemek için işaret/gürültü oranı ölçütü kullanılmıştır.

show abstract

Detection and Classification of Different Weapon Types Using Deep Learning

Kaya

Tuncer

Baran

2021

Applied Sciences

View full text Add to dashboard Cite

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.

show abstract

Bulletin of the Polish Academy of Sciences: Technical Sciences

Cited by 3 publications

References 14 publications

An Enhanced Weapon Detection System using Deep Learning

An Enhanced Weapon Detection System using Deep Learning

Negatif Olmayan Matris Ayrıştırma Yöntemlerinde Fetal Elektrokardiyogram İşaretin Ayrıştırılması

Detection and Classification of Different Weapon Types Using Deep Learning

Contact Info

Product

Resources

About