durum

Tamamlandı

yıl

2026

tür

Implementation-Based Technical Paper

Özet

Bu implementation-based technical paper, YOLOv8 object detection framework kullanarak counter-UAV cybersecurity için deep learning tabanlı bir drone tespit sistemi sunmaktadır. Çalışma, insansız hava araçlarının hızlı yaygınlaşmasıyla ortaya çıkan güvenlik risklerinden başlar; çünkü yetkisiz drone’lar havaalanları, askeri bölgeler, kritik altyapılar ve kamu tesisleri çevresinde yasa dışı gözetleme, kaçakçılık, veri dinleme veya cyber-physical saldırılar için kullanılabilir. Bu bağlamda detection, counter-UAV savunmasının ilk katmanı olarak ele alınır; çünkü bir güvenlik sistemi, havadaki bir tehdidi önce tespit etmeden onu sınıflandıramaz, izleyemez, yanıt veremez veya etkisiz hale getiremez. Makale, kamera girdisiyle çalışabilen ve bounding box ile class label üzerinden yorumlanabilir görsel kanıt sunabilen vision-based detection yaklaşımına odaklanır. Uygulanan sistem, yaklaşık 1.360 anotasyonlu UAV görselinden oluşan özel bir veri kümesi kullanır ve iki detection class içerir: multirotor drones ve fixed-wing drones. Görseller; drone boyutu, arka plan, bakış açısı ve aydınlatma açısından çeşitlilik sağlayacak şekilde toplanıp düzenlenmiş, ardından normalized bounding box coordinates kullanılarak YOLO formatında etiketlenmiştir. Model, YOLOv8’in hafif nano varyantı olan YOLOv8n ile kurulmuştur; bu seçim hız ve gerçek zamanlı ya da gerçek zamana yakın detection için pratik uygunluk nedeniyle yapılmıştır. Training, Ultralytics YOLOv8 framework ile 51 epoch boyunca, 640×640 input resolution, 32 batch size, mixed precision desteği, automatic device selection ve checkpoint-based model selection kullanılarak gerçekleştirilmiştir. Sistem yalnızca training sonuçlarıyla sınırlı değildir; static image detection, recorded video processing, live camera stream detection ve kullanıcıların görsel yükleyip class label ve per-class count içeren annotated output alabildiği Streamlit web interface üzerinden deployment akışlarını da destekler. Experimental evaluation; precision, recall, mAP@0.5 ve mAP@0.5:0.95 metrikleriyle yapılmıştır. Sonuçlar, eğitilen modelin %89.4 precision değerine ulaştığını göstermektedir; bu da tahmin edilen UAV tespitlerinin çoğunun doğru olduğunu ve modelin güvenlik açısından hassas bağlamlarda false alarms miktarını azaltabileceğini gösterir. Ancak %17.3 recall değeri, özellikle küçük veya uzak drone örnekleri başta olmak üzere birçok UAV instance’ın kaçırıldığını göstermektedir; bu durum visual UAV detection alanındaki temel zorluklardan biri olmaya devam etmektedir. Model %30.0 mAP@0.5 ve %23.5 mAP@0.5:0.95 değerlerine ulaşmış, training loss değerleri ise düzenli biçimde azalarak modelin istikrarlı öğrenme davranışı gösterdiğini ortaya koymuştur. Makale, YOLOv8 tabanlı deep learning yaklaşımının counter-UAV cybersecurity için pratik bir drone detection temeli sağlayabileceği sonucuna ulaşır; ancak detection sensitivity değerini artırmak için daha büyük ve çeşitli veri kümeleri, daha güçlü augmentation, daha büyük model varyantları, small-object detection teknikleri, preprocessing desteği ve gerçek dünya video değerlendirmeleri gerekmektedir.