Yangın ve Güvenlik Dergisi 200. Sayı (Temmuz-Ağustos 2018)

32 Yangın ve Güvenlik / Temmuz-Ağustos 2018 yanginguvenlik.com.tr KAPAK KONUSU / MAKALE Ağın hazırlanması Matlab paketi kullanılarak uygulanır. Deneysel çalışma için DRIVE veri tabanı alınmıştır. Ağ başlan- gıçta maksimum 10000 epok (zaman periyodu) için hazır- lanmıştır. Ağların parametreleri aşağıdaki gibi seçilir: Biyo-ölçüm esaslı bir sistemde, uygulanan algoritmaların doğruluğu çok önemlidir ve uygun şekilde test edilmeleri ge- rekir. DRIVE veri tabanından görüntüler 7 önerilen sistemin geçerliliği ve doğruluğunun kontrolü için kullanılır. Şekil 7 DRIVE veri tabanından gelen farklı görüntüleri göstermekte- dir. DRIVE veri tabanı aynı zamanda damarlara ait segman- tasyonun dayanağını da içerir. İçinde 232 retinaya ait çözü- nürlüğü 768x584 olan, 139 farklı şahıstan alınmış görüntüler bulunur. Önerilen retinaya dayalı tanıma sistemi toplam 40 görüntüde test edilmiştir. Retina görüntüleri her bir şahısta birbirine hiç benze- meyen formlardadır ve sahte bir şahısta bu formun göz ardı veya ihmal edilmesi hemen hemen imkânsızdır. Ancak sis- temin yüksek maliyeti ve temin edilmesiyle ilgili çekinceler bu sistemin ticari bir etkisinin olmasını engellemektedir. Bir özellik vektörü retinaya ait görüntülerin damarlara ilişkin seg- mentlere ayırma sonuçlarını kullanarak oluşturulur. Bu özellik vektörü ile sinirsel ağlar retinaya ait görüntülerin tanınması için kullanılır. Sinirsel ağların hazırlanması için geri yayılma Performans fonksiyonu = ‘sse’ Hedef noktası hatası = 0,1 Öğrenme oranı = 0,0001 Epok(zaman periyodu) = 10000 Momentum oranı = 0,625 Şekil 6. Sinirsel ağların başlangıç parametreleri Şekil 7. DRIVE veri tabanından alınan retina görüntüleri Tablo 1. Sinirsel Ağ Esaslı Retina Tanıma Sisteminin Simülasyon Sonuçları Tablo 2. Karşılaştırmalı Sonuçlar Şekil 8. Sinirsel ağların hazırlanmasının yapılması ahreddin Sadikoglu and Selin Uzelaltinbulat / Procedia Computer Science 102 (2016) 26 – 33 Fig. 7. Retina images taken from DRIVE database sists of a unique pattern in each individual and it is almost impossible to forget that pattern in ever, its high cost and acquisition related drawbacks have prevented it from making a feature vector is formed using vascular segmentation results of retinal images. This feature l network is applied for recognition of retinal images. For training of neural network hm is applied. Training of neural etwork used for recognition of retinal images is shown in gure training is perfor ed for 10000 epochs, with accuracy of 0.1. After neural network of images have been done. Table 1 depicts the accuracy of neural network based classifier of hidden n urons. The %97.5 recog ition rate is obta ned with neural network having 35 s the co parison of rec gnitio rates of different methods on DRIVE databases. The that Neural Network based system achieves a satisf ctory recognition rate for DRIVE ed system can be used in a biometric based personal identification system. 2 3 Best Training Performance is 2.0009 at epoch 9956 Train Best Goal algoritması kullanılır. Retinaya ait görüntülerin tanınması için kullanılan ağın hazırlanması Şekil 7 de görülmektedir. Şekil- de görüldüğü gibi hazırlama 10000 epok için 0,1 doğrulukla yapılmıştır. Sinirsel ağın hazırlanmasından sonra görüntülerin tanınması yapılmıştır. Tablo 1 farklı sayıda gizlenmiş nöron kullanarak sinirsel ağ esaslı sınıflandırıcının doğruluğunu tarif etmektedir. 35 nöronu olan sinirsel ağ ile %97,5 tanıma oranı elde edilmektedir. Tablo 2 DRIVE veri tabanı üzerinde farklı yöntemlerin tanıma oranlarının karşılaştırmasını göstermek- tedir. Simülasyon sonuçları Sinirsel Ağlara dayanan sistemin DRIVE veri tabanı için tatmin edici bir tanıma oranı elde etti- ğini ve önerilen sistem biyo-ölçme esaslı kişisel tanıma siste- minde kullanılabileceğini göstermiştir. Tablo 2, önerilen yö temin DRIVE veri tabanı üzerinde di- ğer yöntemlerle performans karşılaştırmalarını göstermektedir. En İyi Hazırlanma Performansı 9956 epok'da 2.0009'dur Öngörülerin Hataların Kareleri Toplamı (sse) Hazırlık En iyi Hedef Gizlenen nöronların sayısı RMSE (Hataların kareköklerinin ortalaması) Doğruluk 8 0.070726 85 16 0.039545 92.5 25 0.030626 95 35 0.017694 97.5 Teknikler Toplam Görüntüler Tanıma Oranı Kande [16] 40 89.11 Martinez-Perez [17] 40 91.81 Perez [18] 40 93.20 Zana ve Klein [19] 40 89.84 Fraz [20] 40 94.30 Bu makale 40 97.50