MARC details
| 000 -LEADER |
|---|
| fixed length control field |
09620nam a2200517 i 4500 |
| 001 - CONTROL NUMBER |
|---|
| control field |
200467202 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20260128133724.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2025 xxu e mmmm 00| 0 eng d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200467202 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE BİL YL’25 KAR |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Uluğ, Serra |
| Relator term |
author |
| 9 (RLIN) |
152093 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Harp başlığı performans testlerinde derin öğrenme tabanlı otomatik bölütleme ve 3b yeniden inşa / |
| Statement of responsibility, etc. |
Uğur Can Karaca; thesis advisor Toygar Akgün. |
| 246 13 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Deep Learning–Based Automatic Segmentation and 3D Reconstruction in Warhead Performance Testing |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2025. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xxiii, 93 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2025 |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Harp başlığı performans testleri, çukur imlalı harp başlıkları (SCW) ve parçacıklı harp başlıklarının (FW) değerlendirilmesinde temel öneme sahiptir. Bu başlıkların başarımları, Derinlik Testi (DoPT) ve Arena Testi (AT) ile ölçülmektedir. DoPT, metal levhaların delinme derinliğini incelerken; AT, patlama sonrası panellerde oluşan delik ve kusurları analiz eder. Geleneksel yöntemlerle, manuel olarak test verilerinin incelenmesi yoğun insan emeğine dayalı, hataya açık ve tutarsız bir prosedürdür. Derin öğrenme ve bilgisayarla görü alanındaki gelişmeler, bu sürecin otomatikleştirilmesine imkan vererek test verilerinden yüksek doğruluklu sonuçlar çıkmasına olanak sağlayacaktır. Bu tez, savaş başlığı testlerinde toplanan verilerin işlenmesi sürecinin iki yönünü ele almaktadır. İlk olarak, iki testten (DoPT ve AT) elde edilmiş fotoğraflar ile iki adet veri kümesi oluşturulmuştur. İki veri kümesinin temel isteri plakaların ve üzerinde bulunan deliklerin anlamsal bölütlemeyle benek bazında ayırt edilmesidir. Ancak iki veri setinin farklı karakteristikleri sebebiyle farklı stratejiler izlenmiştir. Delikleri benek bazında tespit etmek için literatürde benzer karakteristikteki veri setlerinde başarımı yüksek modeller ve kullanılan kayıp fonksiyonları incelenmiştir. İki küme için de bu modeller ve kayıp fonksiyonları eğitilerek başarımlar karşılaştırılmıştır. Deneylerde SCW veri kümesinde MCCM-Net ve Dice Loss $\approx\ \% 86$ IoU, AT veri kümesinde SegFormer + Cross Entropi $\approx\ \%65$ IoU ile en iyi sonuçları vermiştir. Sonuçlar sonrasında veri etiketleme tutarsılığı iki veri seti içinde çalışılmıştır. Aynı resimlerdeki farklı işaretleme tutarsızlıkları kıyaslanmıştır. Etiketleme uyumu SCW veri seti için $\%80 - 85$ IoU, AT için $\% 49 - 63$ IoU olarak bulunmuştur. Bu bulgular, etiket uyumu ve mimari seçimlerinin performans üzerindeki belirleyici etkisini ortaya koymaktadır. Çalışmanın ikinci kısmı, öncelikle tespit başarımını artıran yenilikçi yaklaşımları ele almaktadır. Bu kapsamda kullanılan derin gözetim (Deep Supervision) küçük nesnelerin tespitinde ara katmanlardaki gradyan akışını güçlendirmiştir. Önerilen öğrenilebilir atlama bağlantıları (Learning Gate) ise kodlayıcı–çözücü özniteliklerini piksel düzeyinde uyarlanabilir biçimde birleştirerek yerel detayların korunmasını ve bağlamsal bilginin daha etkili kullanılmasını sağlamıştır. Bu katkılar, model parametre sayısını azaltırken bölütleme doğruluğunu belirgin şekilde artırmıştır. Ardından, benek bazlı delik tespitlerinin yerleştirildiği otomatik çerçeve ve 3B yeniden inşa metodolojileri sunulmaktadır. Bu amaçla tasarlanan iki aşamalı işlem hattının ilk adımı düşük çözünürlüklü görüntülerden panellerin ayrılması, ikinci adımı ise yüksek çözünürlüklü paneller üzerinde delik ve kusurların hassas biçimde tespit edilmesidir. Delik merkezleri ve konturları belirlendikten sonra bu bilgiler 3B koordinatlara dönüştürülmüş ve hem noktasal hem de silindirik yüzey varsayımlarıyla harp başlığı geometrisi yeniden inşa edilmiştir. Böylece 4K (3840×2160) çözünürlüklü bir panelin saniyeler içinde işlenmesi mümkün hale gelmektedir. Süreç sürdürülebilir ve tekrarlanabilir bir yapıya kavuşmuştur. Sonuç olarak, çalışma piksel düzeyindeki bölütleme sonuçlarından 3B yeniden inşa sürecine uzanan uçtan uca bir yaklaşım sunarak panel başına onlarca saat sürebilen manuel analizleri saniye mertebesine indirmektedir. Derin gözetim ve öğrenilebilir atlama bağlantıları gibi yaklaşımlar savunma sanayinden farklı olarak, tıbbi görüntüleme ve endüstriyel kusur tespiti gibi alanlarda da uygulanabilir niteliktedir. Bu tez, bilgisayarlı görü yöntemlerini savunma sanayinin ihtiyaçlarıyla birleştiren yenilikçi ve bütüncül bir çerçeve ortaya koymaktadır. |
|
|---|
| Summary, etc. |
Warhead performance tests are of fundamental importance in the evaluation of shaped charge warheads (SCW) and fragmentation warheads (FW). These warheads are evaluated using the Depth of Penetration Test (DoPT) and the Arena Test (AT) \cite{lee2020deep}. While DoPT examines the penetration depth of metallic plates, AT analyzes the holes and defects formed on panels after detonation. In traditional methods, the manual inspection of test data is a labor-intensive, error-prone, and inconsistent procedure. Advances in deep learning and computer vision will enable the automation of this process, allowing highly accurate results to be derived from the test data. This thesis addresses two aspects of the data-processing workflow for warhead testing. First, two datasets were constructed using photographs obtained from two tests (DoPT and AT). The primary objective of both datasets is to distinguish, at the pixel level via semantic segmentation, the plates and the holes on their surfaces. However, due to the differing characteristics of the two datasets, different strategies were adopted. To enable pixel-wise hole detection, models that have demonstrated strong performance on datasets with similar characteristics, along with the associated loss functions, were reviewed in the literature. For both datasets, these models and loss functions were trained, and their performances were comparatively evaluated. In the experiments, MCCM-Net with Dice Loss achieved the best results in the SCW dataset with $\approx\ \%86$ IoU, while SegFormer with Cross Entropy achieved $\approx\ \%65$ IoU in the AT dataset. Following these results, annotation consistency was analyzed for both datasets, and differences in labeling on identical images were compared. Annotation agreement was found to be $80-85\%$ IoU for SCW and $49-63\%$ IoU for AT. These findings demonstrate that annotation consistency and architectural choices have a decisive effect on performance. The second part of the study primarily focuses on the innovative approaches that enhance detection performance. In this context, the Deep Supervision strategy strengthens gradient flow in intermediate layers, particularly improving the detection of small objects. OSuggested Learning Gate mechanism adaptively fuses encoder–decoder features at the pixel level to preserve local details and utilize contextual information more effectively. These contributions significantly increase segmentation accuracy while reducing the number of model parameters. Subsequently, the automatic framework incorporating pixel-level hole detections and the 3D reconstruction methodology are introduced. The proposed two-stage processing pipeline first separates metal panels from the background in low-resolution images, and then performs precise detection of holes and defects on high-resolution panel segments. After hole centers and contours are identified, they are converted into 3D coordinates using test data and re-projected onto the warhead geometry under both point-source and cylindrical surface assumptions. This enables the processing of a 4K (3840×2160) panel within seconds, providing a sustainable and repeatable workflow. In conclusion, the study presents an end-to-end approach extending from pixel-level segmentation to 3D fragmentation reconstruction, reducing manual analysis that could take tens of hours per panel to mere seconds. Methods such as Deep Supervision and Learning Gate are applicable not only to defense industry but also to domains such as medical imaging and industrial defect detection. Overall, this thesis introduces an innovative and comprehensive framework that integrates contemporary computer vision techniques with the practical needs of the defense industry. |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Anlamsal bölütleme |
|
|---|
| Uncontrolled term |
Derin sinir ağları |
|
|---|
| Uncontrolled term |
Delik bölütleme |
|
|---|
| Uncontrolled term |
Arena testi |
|
|---|
| Uncontrolled term |
Nüfuz derinliği testi |
|
|---|
| Uncontrolled term |
Çukur imla |
|
|---|
| Uncontrolled term |
Parçacıklı harp başlığı |
|
|---|
| Uncontrolled term |
Evrişimli sinir ağı |
|
|---|
| Uncontrolled term |
Semantic segmentation |
|
|---|
| Uncontrolled term |
Deep neural networks |
|
|---|
| Uncontrolled term |
Hole segmentation |
|
|---|
| Uncontrolled term |
Arena test |
|
|---|
| Uncontrolled term |
Depth of penetration test |
|
|---|
| Uncontrolled term |
Shape charged |
|
|---|
| Uncontrolled term |
Fragmentation warhead |
|
|---|
| Uncontrolled term |
CNN |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Akgün, Toygar |
| 9 (RLIN) |
144456 |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
