Theses supervised by Dr. Öğr. Üyesi Sinan Uğuz
11 theses · Isparta University of Applied Sciences
Akıllı kampüsler için topluluk hareketliliğinin derin öğrenme temelli yöntemlerle gerçek zamanlı izlenmesi
Günümüzde şehir ortamlarının ve dolayısıyla kampüs ortamlarının giderek daha yoğun insan kalabalıklarını misafir ediyor olması sebebiyle çeşitli problemler ön plana çıkmaktadır. Bu problemlerin çözümü için yapılması gereken ilk şey ise; bu kalabalıkların tespit edilmesi ve analizlerinin yapılması gerekliliğidir. Bu doğrultuda, bu tez çalışmasında üniversite kampüs içerisinde öğrenci kalabalıklarının tespit edilmesi ve incelenmesi hedeflenmiştir. Bunun için görüntülerdeki insanların tespit edilebilmesi amacıyla derin öğrenme yöntemleri kullanılarak nesne tespiti yapılmıştır. Literatürdeki yaygın olarak kullanılan veri setleri incelenmiş ve CrowdHuman veri setinin en uygun veri seti olduğu görülmüştür. İlgili veri seti içerisinde 15 000 adet görüntü bulunmakta ve yaklaşık 470 000 adet etiketlenmiş insan verisi bulunmaktadır. Yapılan eğitimlerde Faster RCNN, YOLO, RetinaNet gibi state-of-the-art modeller kullanılmıştır. Yapılan deneylerde YOLOv4 ile %78 mAP skoru elde edilmiştir. Burada eğitilen modeller sunucu üzerinde çalıştırılarak, kampüs içerisinde bulunan IP kameralardan elde edilen görüntüler üzerinde gerçek zamanlı olarak nesne tespiti yapılmıştır. Görüntüde insan yoğunluğunun tespit edilmesi ile birlikte mobil uygulama üzerinde ilgili bölgenin yoğunluk durumu gösterilmektedir.
Kuru üzüm kalitesinin derin öğrenme teknikleri ile gerçek zamanlı olarak tespiti
Derin öğrenmenin çok gelişmiş kullanım alanı ve çeşitliliğe sahip olmasının beraberinde hesaplama gücünün büyümesi ile derin öğrenme algoritmaları tarım alanında dikkate değer sonuçlar elde etmesini sağlamıştır. Derin öğrenmenin tarım alanında mahsullerin analizi, haşere tespiti, yabani ot tespiti, sulama verimliliği, gübreleme, hava durumu (iklimlendirme) analizi, tarım alanı analizi, toprak analizi ve tarım alnında kullanılan otonom makinelerde kullanılmaktadır. Çalışmada derin öğrenme teknikleri kullanılarak TS 3411'de yer alan Sultani kuru üzüm numunelerinin standarda uygunluğunun tespitini gerçek zamanlı sistem ile belirlenmiştir. Kuru üzüm veri seti 1.Kalite, 2.Kalite ve Üzüm Çöpü olacak şekilde üç sınıf ve 10544 adet görüntüden oluşmaktadır. Çalışmada YOLOv5, YOLOv6, YOLOv7, YOLOX, FCOS ve TOOD modelleriyle eğitimler yapılmıştır. Yapılan eğitimlerde toplam kayıp değerin 0.018 ile en düşük TOOD, mAPs %84,6 ile TOOD ve mAP^(50:05:95) değeri ise %88,7 ile YOLOv5 olarak en iyi sonuçlar elde edilmiştir. Fakat gerçek zamanlı tespitte YOLOv6 daha yüksek fps değerine sahip olduğundan gerçek zamanlı tespitte YOLOv6 tercih edilmiştir.
Vermikompost üretiminde kırmızı kaliforniya solucan yumurtalarının derin öğrenme teknikleri ile komposttan ayrılarak üretime geri kazandırılması
Günümüzde birçok alanda etkili bir şekilde kullanılmakta olan derin öğrenme teknikleri her geçen gün daha da çok önem arz edecek ve tarım sektöründeki dijital dönüşüme önemli ölçüde katkı sağlayarak üreticilerin rekabet gücünü arttıracaktır. Bu tez çalışmasında SSD mimarisi kullanılarak oluşturulan CNN modeli ile tespit edilen solucan yumurtaları komposttan ayrılarak üretime geri kazandırılmıştır. Veri seti 3809 solucan yumurtası içeren 1000 adet kompost görüntüsünden ve solucan yumurtalarını temsilen "cocoon" olarak adlandırılmış tek sınıftan oluşmaktadır. VGG16 üzerinden öğrenme aktarımı yapılarak kullanılan SSD mimarisinde farklı adım sayılarının nesne tespitine olan başarısı gözlemlenmiştir. Tez çalışmasında kullanılan CNN modeli Anaconda Spyder IDE platformunda Python programlama dili ile yazılmış ve GeForce RTX 2080 GPU ile eğitilmiştir. Tez çalışmasında önerilen SSD modeli ile oluşturulan ağın eğitimi veri setinde yer alan 1000 adet görüntü ve 1e-5 öğrenme oranı ile veri arttırımı ve öğrenme aktarımı yapılarak 1000 adımda yapılmıştır. Yapılan eğitim sonucunda kayıp değeri 800'üncü adımda 2.527'e, 1000'inci adımda ise 2.494'e kadar inmiş ve bu noktadan sonra yakınsak değerlerle yatay bir seyir izlemiştir. Tek sınıftan oluşan modelin AP değeri 1000'inci adımdada %84.9 değerine kadar çıkarak en iyi sonuç elde edilmiştir.
Vermikompost üretiminde kırmızı kaliforniya solucan yumurtalarının derin öğrenme teknikleri ile komposttan ayrılarak üretime geri kazandırılması
Günümüzde birçok alanda etkili bir şekilde kullanılmakta olan derin öğrenme teknikleri her geçen gün daha da çok önem arz edecek ve tarım sektöründeki dijital dönüşüme önemli ölçüde katkı sağlayarak üreticilerin rekabet gücünü arttıracaktır. Bu tez çalışmasında SSD mimarisi kullanılarak oluşturulan CNN modeli ile tespit edilen solucan yumurtaları komposttan ayrılarak üretime geri kazandırılmıştır. Veri seti 3809 solucan yumurtası içeren 1000 adet kompost görüntüsünden ve solucan yumurtalarını temsilen "cocoon" olarak adlandırılmış tek sınıftan oluşmaktadır. VGG16 üzerinden öğrenme aktarımı yapılarak kullanılan SSD mimarisinde farklı adım sayılarının nesne tespitine olan başarısı gözlemlenmiştir. Tez çalışmasında kullanılan CNN modeli Anaconda Spyder IDE platformunda Python programlama dili ile yazılmış ve GeForce RTX 2080 GPU ile eğitilmiştir. Tez çalışmasında önerilen SSD modeli ile oluşturulan ağın eğitimi veri setinde yer alan 1000 adet görüntü ve 1e-5 öğrenme oranı ile veri arttırımı ve öğrenme aktarımı yapılarak 1000 adımda yapılmıştır. Yapılan eğitim sonucunda kayıp değeri 800'üncü adımda 2.527'e, 1000'inci adımda ise 2.494'e kadar inmiş ve bu noktadan sonra yakınsak değerlerle yatay bir seyir izlemiştir. Tek sınıftan oluşan modelin AP değeri 1000'inci adımdada %84.9 değerine kadar çıkarak en iyi sonuç elde edilmiştir.
Vermikompost üretiminde kırmızı kaliforniya solucan yumurtalarının derin öğrenme teknikleri ile komposttan ayrılarak üretime geri kazandırılması
Günümüzde birçok alanda etkili bir şekilde kullanılmakta olan derin öğrenme teknikleri her geçen gün daha da çok önem arz edecek ve tarım sektöründeki dijital dönüşüme önemli ölçüde katkı sağlayarak üreticilerin rekabet gücünü arttıracaktır. Bu tez çalışmasında SSD mimarisi kullanılarak oluşturulan CNN modeli ile tespit edilen solucan yumurtaları komposttan ayrılarak üretime geri kazandırılmıştır. Veri seti 3809 solucan yumurtası içeren 1000 adet kompost görüntüsünden ve solucan yumurtalarını temsilen "cocoon" olarak adlandırılmış tek sınıftan oluşmaktadır. VGG16 üzerinden öğrenme aktarımı yapılarak kullanılan SSD mimarisinde farklı adım sayılarının nesne tespitine olan başarısı gözlemlenmiştir. Tez çalışmasında kullanılan CNN modeli Anaconda Spyder IDE platformunda Python programlama dili ile yazılmış ve GeForce RTX 2080 GPU ile eğitilmiştir. Tez çalışmasında önerilen SSD modeli ile oluşturulan ağın eğitimi veri setinde yer alan 1000 adet görüntü ve 1e-5 öğrenme oranı ile veri arttırımı ve öğrenme aktarımı yapılarak 1000 adımda yapılmıştır. Yapılan eğitim sonucunda kayıp değeri 800'üncü adımda 2.527'e, 1000'inci adımda ise 2.494'e kadar inmiş ve bu noktadan sonra yakınsak değerlerle yatay bir seyir izlemiştir. Tek sınıftan oluşan modelin AP değeri 1000'inci adımdada %84.9 değerine kadar çıkarak en iyi sonuç elde edilmiştir.
Trafik işaretlerinin derin öğrenme ile tespiti ve anlamlandırılması
Günümüzde sağlık, askeri, ekonomi ve üretim endüstrisi başta olmak üzere pek çok alanda kullanılan derin öğrenme uygulamaları yapay zekânın önemli bir alanını oluşturmaktadır. Otonom araç teknolojilerinin gelişiminde önemli bir payı bulunan nesne sınıflandırma ve nesne tanıma uygulamaları derin öğrenme çalışmalarının odak noktasını oluşturmaktadır. Hem araçlar hem de yayalar için güvenli sürüş noktasında derin öğrenme modellerine dayanan uygulamaların başarılı performanslar gösterdiği son yapılan çalışmalarda daha net olarak görülmektedir. Otonom sistemlerin güvenli sürüş için trafik işaretlerini yüksek doğruluk değerleri ile tanıması büyük önem taşımaktadır. Özellikle yaya geçidi, okul bölgesi, şehir içi hız limitleri en kritik trafik işaretleri arasında sayılabilir. Bu tez çalışmasında kendi imkânlarımızla elde ettiğimiz trafik işaretlerinden oluşan veri seti kullanılarak önemli nesne tanıma mimarilerinden olan faster R-CNN ile eğitimler gerçekleştirilmiştir. Çalışma neticesinde ortaya konan donanımsal modül sayesinde aracın sürücüsünü sesli ikazlar ile uyaran bir sistem geliştirilmiştir. Geliştirilen donanımsal modül hız limitlerinin yanı sıra yaya geçidi ve okul bölgesi gibi trafik işaretçilerini tespit ederek gerçek zamanlı olarak sürücüyü uyarabilmektedir. Ayrıca geliştirilen yazılım için Python dili kullanılırken, veri seti eğitimleri Tensorflow kütüphanesi kullanılarak gerçekleştirilmiştir. Çalışmanın otonom araç uygulamalarında trafik işaretlerinin tanınması noktasında bir katkı sağlayacağı düşünülmektedir.
Trafik işaretlerinin derin öğrenme ile tespiti ve anlamlandırılması
Günümüzde sağlık, askeri, ekonomi ve üretim endüstrisi başta olmak üzere pek çok alanda kullanılan derin öğrenme uygulamaları yapay zekânın önemli bir alanını oluşturmaktadır. Otonom araç teknolojilerinin gelişiminde önemli bir payı bulunan nesne sınıflandırma ve nesne tanıma uygulamaları derin öğrenme çalışmalarının odak noktasını oluşturmaktadır. Hem araçlar hem de yayalar için güvenli sürüş noktasında derin öğrenme modellerine dayanan uygulamaların başarılı performanslar gösterdiği son yapılan çalışmalarda daha net olarak görülmektedir. Otonom sistemlerin güvenli sürüş için trafik işaretlerini yüksek doğruluk değerleri ile tanıması büyük önem taşımaktadır. Özellikle yaya geçidi, okul bölgesi, şehir içi hız limitleri en kritik trafik işaretleri arasında sayılabilir. Bu tez çalışmasında kendi imkânlarımızla elde ettiğimiz trafik işaretlerinden oluşan veri seti kullanılarak önemli nesne tanıma mimarilerinden olan faster R-CNN ile eğitimler gerçekleştirilmiştir. Çalışma neticesinde ortaya konan donanımsal modül sayesinde aracın sürücüsünü sesli ikazlar ile uyaran bir sistem geliştirilmiştir. Geliştirilen donanımsal modül hız limitlerinin yanı sıra yaya geçidi ve okul bölgesi gibi trafik işaretçilerini tespit ederek gerçek zamanlı olarak sürücüyü uyarabilmektedir. Ayrıca geliştirilen yazılım için Python dili kullanılırken, veri seti eğitimleri Tensorflow kütüphanesi kullanılarak gerçekleştirilmiştir. Çalışmanın otonom araç uygulamalarında trafik işaretlerinin tanınması noktasında bir katkı sağlayacağı düşünülmektedir.
Trafik işaretlerinin derin öğrenme ile tespiti ve anlamlandırılması
Günümüzde sağlık, askeri, ekonomi ve üretim endüstrisi başta olmak üzere pek çok alanda kullanılan derin öğrenme uygulamaları yapay zekânın önemli bir alanını oluşturmaktadır. Otonom araç teknolojilerinin gelişiminde önemli bir payı bulunan nesne sınıflandırma ve nesne tanıma uygulamaları derin öğrenme çalışmalarının odak noktasını oluşturmaktadır. Hem araçlar hem de yayalar için güvenli sürüş noktasında derin öğrenme modellerine dayanan uygulamaların başarılı performanslar gösterdiği son yapılan çalışmalarda daha net olarak görülmektedir. Otonom sistemlerin güvenli sürüş için trafik işaretlerini yüksek doğruluk değerleri ile tanıması büyük önem taşımaktadır. Özellikle yaya geçidi, okul bölgesi, şehir içi hız limitleri en kritik trafik işaretleri arasında sayılabilir. Bu tez çalışmasında kendi imkânlarımızla elde ettiğimiz trafik işaretlerinden oluşan veri seti kullanılarak önemli nesne tanıma mimarilerinden olan faster R-CNN ile eğitimler gerçekleştirilmiştir. Çalışma neticesinde ortaya konan donanımsal modül sayesinde aracın sürücüsünü sesli ikazlar ile uyaran bir sistem geliştirilmiştir. Geliştirilen donanımsal modül hız limitlerinin yanı sıra yaya geçidi ve okul bölgesi gibi trafik işaretçilerini tespit ederek gerçek zamanlı olarak sürücüyü uyarabilmektedir. Ayrıca geliştirilen yazılım için Python dili kullanılırken, veri seti eğitimleri Tensorflow kütüphanesi kullanılarak gerçekleştirilmiştir. Çalışmanın otonom araç uygulamalarında trafik işaretlerinin tanınması noktasında bir katkı sağlayacağı düşünülmektedir.
Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Konvolüsyonel sinir ağı modellerinin bitki yaprak görüntüleri üzerinde hastalık ve zararlıların tanı ve teşhisi konusunda oldukça başarılı olduğu bilinmektedir. Bu tez çalışmasında zeytin bitkisine ait 3 farklı yaprak türü konvolüsyonel sinir ağı modeli ile sınıflandırılmıştır. Veri seti 3400 adet zeytin yaprak görüntüsünden oluşmaktadır. Halkalı leke hastalığı, zeytin yaprak pasakarı zararlısı ve sağlıklı yaprakların oluşturduğu 3 farklı sınıf bulunmaktadır. Farklı optimizasyon algoritmaları ve iterasyon sayılarının sınıflandırma başarısına etkisi, Konvolüsyonel Sinir Ağları (CNN) yardımı ile gözlemlenmiştir. Tez çalışmasında kullanılan CNN modelleri Google Colab bulut servisinde yer alan Tesla GPU'lar ile eğitilmiştir. Anaconda (Spyder) IDE platformunda python programlama dili ile yazılmıştır. Eğitilen modelin web uygulaması Flask kütüphanesi yardımıyla oluşturulmuştur. Tez çalışmasında önerilen CNN modeli 100 iterasyon üzerinden Adamoptimizasyon algoritması ile %84 doğruluk oranı elde etmiştir. Transfer öğrenme yöntemi kullanılarak, VGG16 ve VGG19 gibi gelişmiş CNN modelleri oluşturulan veri seti ile eğitilmiştir. Karşılaştırmalı deney sonuçlarına göre %88 doğruluk oranı ile VGG16 modeli en iyi sonucu vermiştir. Tez çalışmasında önerilen CNN modeline, Keras kütüphanesi ImageDataGenarator sınıfı ile veri arttırım işlemi uygulanmıştır. Veri arttırım yöntemi uygulanan bu model Adam optimizasyon algoritması kullanılarak 100 iterasyonda eğitilmiştir. Veri arttırım işleminin sonucunda önerilen CNN modeli %94 doğruluk oranı ile en iyi sınıflandırma başarısını elde etmiştir.
Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Konvolüsyonel sinir ağı modellerinin bitki yaprak görüntüleri üzerinde hastalık ve zararlıların tanı ve teşhisi konusunda oldukça başarılı olduğu bilinmektedir. Bu tez çalışmasında zeytin bitkisine ait 3 farklı yaprak türü konvolüsyonel sinir ağı modeli ile sınıflandırılmıştır. Veri seti 3400 adet zeytin yaprak görüntüsünden oluşmaktadır. Halkalı leke hastalığı, zeytin yaprak pasakarı zararlısı ve sağlıklı yaprakların oluşturduğu 3 farklı sınıf bulunmaktadır. Farklı optimizasyon algoritmaları ve iterasyon sayılarının sınıflandırma başarısına etkisi, Konvolüsyonel Sinir Ağları (CNN) yardımı ile gözlemlenmiştir. Tez çalışmasında kullanılan CNN modelleri Google Colab bulut servisinde yer alan Tesla GPU'lar ile eğitilmiştir. Anaconda (Spyder) IDE platformunda python programlama dili ile yazılmıştır. Eğitilen modelin web uygulaması Flask kütüphanesi yardımıyla oluşturulmuştur. Tez çalışmasında önerilen CNN modeli 100 iterasyon üzerinden Adamoptimizasyon algoritması ile %84 doğruluk oranı elde etmiştir. Transfer öğrenme yöntemi kullanılarak, VGG16 ve VGG19 gibi gelişmiş CNN modelleri oluşturulan veri seti ile eğitilmiştir. Karşılaştırmalı deney sonuçlarına göre %88 doğruluk oranı ile VGG16 modeli en iyi sonucu vermiştir. Tez çalışmasında önerilen CNN modeline, Keras kütüphanesi ImageDataGenarator sınıfı ile veri arttırım işlemi uygulanmıştır. Veri arttırım yöntemi uygulanan bu model Adam optimizasyon algoritması kullanılarak 100 iterasyonda eğitilmiştir. Veri arttırım işleminin sonucunda önerilen CNN modeli %94 doğruluk oranı ile en iyi sınıflandırma başarısını elde etmiştir.
Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Konvolüsyonel sinir ağı modellerinin bitki yaprak görüntüleri üzerinde hastalık ve zararlıların tanı ve teşhisi konusunda oldukça başarılı olduğu bilinmektedir. Bu tez çalışmasında zeytin bitkisine ait 3 farklı yaprak türü konvolüsyonel sinir ağı modeli ile sınıflandırılmıştır. Veri seti 3400 adet zeytin yaprak görüntüsünden oluşmaktadır. Halkalı leke hastalığı, zeytin yaprak pasakarı zararlısı ve sağlıklı yaprakların oluşturduğu 3 farklı sınıf bulunmaktadır. Farklı optimizasyon algoritmaları ve iterasyon sayılarının sınıflandırma başarısına etkisi, Konvolüsyonel Sinir Ağları (CNN) yardımı ile gözlemlenmiştir. Tez çalışmasında kullanılan CNN modelleri Google Colab bulut servisinde yer alan Tesla GPU'lar ile eğitilmiştir. Anaconda (Spyder) IDE platformunda python programlama dili ile yazılmıştır. Eğitilen modelin web uygulaması Flask kütüphanesi yardımıyla oluşturulmuştur. Tez çalışmasında önerilen CNN modeli 100 iterasyon üzerinden Adamoptimizasyon algoritması ile %84 doğruluk oranı elde etmiştir. Transfer öğrenme yöntemi kullanılarak, VGG16 ve VGG19 gibi gelişmiş CNN modelleri oluşturulan veri seti ile eğitilmiştir. Karşılaştırmalı deney sonuçlarına göre %88 doğruluk oranı ile VGG16 modeli en iyi sonucu vermiştir. Tez çalışmasında önerilen CNN modeline, Keras kütüphanesi ImageDataGenarator sınıfı ile veri arttırım işlemi uygulanmıştır. Veri arttırım yöntemi uygulanan bu model Adam optimizasyon algoritması kullanılarak 100 iterasyonda eğitilmiştir. Veri arttırım işleminin sonucunda önerilen CNN modeli %94 doğruluk oranı ile en iyi sınıflandırma başarısını elde etmiştir.