Elektronik burun ile el yapımı patlayıcıların tespiti
[ X ]
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Hitit Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
The face of terrorism has changed with advancing technology. Modern communication, transportation facilities, high-powered weaponry, and other technological developments have significantly increased the destructive capacity of today's terrorist. On one hand, the means employed by terrorists have become more devastating compared to the past; on the other hand, their ability to effectively utilize these means has also increased in parallel. The fact that our country has been subjected to terrorist attacks for many years has been the main motivation for law enforcement agencies to enhance their abilities to prevent such attacks before they occur. Especially in locations where large crowds gather, such as airports, metro stations, train stations, bus terminals, parks, gardens, and shopping malls, preventive searches are conducted. However, these searches are mostly performed manually by hand and visual inspection, supported by metal detectors and X-ray devices. Law enforcement also employs specially trained bomb detection dogs to identify explosives; however, the possibility that dogs may make mistakes or mislead their handlers during searches is always present.
In this thesis, an electronic nose was developed using MQ-brand gas sensors for the detection of explosive substances, and the odors of explosives were studied. Odor samples were collected from both individual and mixed quantities of ANFO (Ammonium Nitrate Fuel Oil), a type of homemade explosive, and various spices including mint, thyme, cumin, and coffee. The data were collected using a custom software developed in LabVIEW. For each sensor, 10 data points per second were recorded over a period of 60 seconds, resulting in a total of 426 measurements. The non-explosive class included 161 samples, consisting of 40 thyme, 40 mint, 40 cumin, and 41 coffee records. The explosive classes consisted of mixtures containing 10% ANFO + 90% spice (41 samples), 20% ANFO + 80% spice (41 samples), 30% ANFO + 70% spice (41 samples), 40% ANFO + 60% spice (42 samples), and 100% ANFO (100 samples).
From the collected data, statistical features such as mean, standard deviation, sum, and median were extracted. These features were then divided into three sets: training (60%), validation (20%), and testing (20%), and were fed into classification models. The classification was performed using kNN-3, logistic regression, random forest, and extra trees algorithms. Based on the experimental results, the extra trees algorithm achieved the highest accuracy rate with 96.45%. Both random forest (93.61%) and kNN-3 (93.67%) also produced high accuracy rates, while the logistic regression model, with 85.65%, showed relatively lower performance compared to the other methods.
Terörizmin çehresi, gelişen teknolojiyle birlikte değişmiştir. Çağdaş haberleşme, ulaşım imkanları, öldürücü gücü yüksek silahlar ve diğer teknolojik ilerlemeler çağımız teröristinin tahrip edici gücünü arttırmıştır. Bir yandan teröristin kullandığı vasıtalar eskiye kıyasla daha tahrip edici hale gelirken, teröristin bu vasıtaları kullanabilme yeteneği de buna paralel olarak artmıştır. Ülkemizin uzun yıllar boyunca terör saldırılarına maruz kalması, kolluk güçlerinin bu saldırıları daha olmadan önleme yeteneklerini artırmalarında temel motivasyon olmuştur. Özellikle terör saldırılarının hedefleri olan insan topluluklarının kalabalık bir şekilde bulunduğu alanlar olan havaalanı, metro, tren istasyonları, otobüs terminalleri, park ve bahçeler, alışveriş merkezleri, vb. yerlerde önleme aramaları yapılmakta ancak yapılan aramalar daha çok elle ve göz ile yapılmakta ve bunun yanında destekleyici olarak metal detektörleri ve x-ray cihazları kullanılmaktadır. Kolluk güçleri patlayıcı maddeleri tespit amacıyla özel yetiştirilmiş bomba arama köpeklerini kullanmaktadırlar fakat; köpeklerin aramalar esnasında hata yapabilme ve idarecisini yanıltma olasılığı her zaman mevcuttur. Bu tezde, patlayıcı maddenin tespitine yönelik olarak MQ marka sensörler ile elektronik burun yapılmış ve patlayıcı kokuları çalışılmıştır. El yapımı patlayıcı olan ANFO (Amonyum Nitrat Fuel Oil) ile nane, kekik, kimyon ve kahvenin hem farklı miktarlarda ayrı ayrı hem de farklı oranlarda karışımlarının kokuları alınmıştır. Veriler, LabVIEW programında hazırlanan bir yazılım aracılığıyla toplanmış olup, her sensörden saniyede 10 adet veri toplam 60 saniye boyunca alınarak toplamda 426 kayıt elde edilmiştir. Patlayıcı içermeyen sınıfta 161 kayıt bulunurken, bu kayıtlar 40 kekik, 40 nane, 40 kimyon ve 41 kahve örneğinden oluşmaktadır. Patlayıcı içeren sınıflar ise %10 ANFO + %90 baharat içeren 41 kayıt, %20 ANFO + %80 baharat içeren 41 kayıt, %30 ANFO + %70 baharat içeren 41 kayıt, %40 ANFO + %60 baharat içeren 42 kayıt ve %100 patlayıcı içeren 100 kayıttan oluşmaktadır. Elde edilen verilerden ortalama, standart sapma, toplam ve medyan gibi öznitelikler çıkarılmış, ardından bu veriler eğitim (%60), doğrulama (%20) ve test (%20) olmak üzere üçe ayrılarak sınıflandırma modellerine aktarılmıştır. Sınıflandırma işlemi kNN-3, lojistik regresyon, rastgele orman ve ekstra ağaçlar algoritmaları kullanılarak gerçekleştirilmiş ve deneysel sonuçlara göre, ekstra ağaçlar algoritması %96,45 doğruluk oranıyla en başarılı model olmuştur. Rastgele orman (%93,61) ve kNN-3 (%93,67) algoritmaları da yüksek doğruluk oranlarıyla başarılı sonuçlar üretirken, lojistik regresyon modeli %85,65 doğruluk oranıyla diğer yöntemlere kıyasla daha düşük performans göstermiştir.
Terörizmin çehresi, gelişen teknolojiyle birlikte değişmiştir. Çağdaş haberleşme, ulaşım imkanları, öldürücü gücü yüksek silahlar ve diğer teknolojik ilerlemeler çağımız teröristinin tahrip edici gücünü arttırmıştır. Bir yandan teröristin kullandığı vasıtalar eskiye kıyasla daha tahrip edici hale gelirken, teröristin bu vasıtaları kullanabilme yeteneği de buna paralel olarak artmıştır. Ülkemizin uzun yıllar boyunca terör saldırılarına maruz kalması, kolluk güçlerinin bu saldırıları daha olmadan önleme yeteneklerini artırmalarında temel motivasyon olmuştur. Özellikle terör saldırılarının hedefleri olan insan topluluklarının kalabalık bir şekilde bulunduğu alanlar olan havaalanı, metro, tren istasyonları, otobüs terminalleri, park ve bahçeler, alışveriş merkezleri, vb. yerlerde önleme aramaları yapılmakta ancak yapılan aramalar daha çok elle ve göz ile yapılmakta ve bunun yanında destekleyici olarak metal detektörleri ve x-ray cihazları kullanılmaktadır. Kolluk güçleri patlayıcı maddeleri tespit amacıyla özel yetiştirilmiş bomba arama köpeklerini kullanmaktadırlar fakat; köpeklerin aramalar esnasında hata yapabilme ve idarecisini yanıltma olasılığı her zaman mevcuttur. Bu tezde, patlayıcı maddenin tespitine yönelik olarak MQ marka sensörler ile elektronik burun yapılmış ve patlayıcı kokuları çalışılmıştır. El yapımı patlayıcı olan ANFO (Amonyum Nitrat Fuel Oil) ile nane, kekik, kimyon ve kahvenin hem farklı miktarlarda ayrı ayrı hem de farklı oranlarda karışımlarının kokuları alınmıştır. Veriler, LabVIEW programında hazırlanan bir yazılım aracılığıyla toplanmış olup, her sensörden saniyede 10 adet veri toplam 60 saniye boyunca alınarak toplamda 426 kayıt elde edilmiştir. Patlayıcı içermeyen sınıfta 161 kayıt bulunurken, bu kayıtlar 40 kekik, 40 nane, 40 kimyon ve 41 kahve örneğinden oluşmaktadır. Patlayıcı içeren sınıflar ise %10 ANFO + %90 baharat içeren 41 kayıt, %20 ANFO + %80 baharat içeren 41 kayıt, %30 ANFO + %70 baharat içeren 41 kayıt, %40 ANFO + %60 baharat içeren 42 kayıt ve %100 patlayıcı içeren 100 kayıttan oluşmaktadır. Elde edilen verilerden ortalama, standart sapma, toplam ve medyan gibi öznitelikler çıkarılmış, ardından bu veriler eğitim (%60), doğrulama (%20) ve test (%20) olmak üzere üçe ayrılarak sınıflandırma modellerine aktarılmıştır. Sınıflandırma işlemi kNN-3, lojistik regresyon, rastgele orman ve ekstra ağaçlar algoritmaları kullanılarak gerçekleştirilmiş ve deneysel sonuçlara göre, ekstra ağaçlar algoritması %96,45 doğruluk oranıyla en başarılı model olmuştur. Rastgele orman (%93,61) ve kNN-3 (%93,67) algoritmaları da yüksek doğruluk oranlarıyla başarılı sonuçlar üretirken, lojistik regresyon modeli %85,65 doğruluk oranıyla diğer yöntemlere kıyasla daha düşük performans göstermiştir.
