Theses supervised by Doç. Dr. Kemal Adem
10 theses · Aksaray University, Sivas University of Science and Technology
Diş görüntüleri üzerinde görüntü işleme ve derin öğrenme yöntemleri kullanılarak çürük seviyesinin sınıflandırılması
Ağızda bulunan bakterilerin ürettiği asitler dişlerin mineral dokusunu bozarak diş çürüklerine neden olmaktadır. Zamanla kişilerin ağzında bakteriler birikir ve bu bakteriler gıdalarla birleşir. Ağız bakımına yeterli özen gösterilmediğinde diş minesi zarar görür ve diş çürümeleri gerçekleşir. Yakın bir döneme kadar kökü iltihaplanmış hasta dişler, diğer bölgelere zarar vermemesi amacıyla çekilmekteydi. Fakat gelişen görüntüleme teknikleri sayesinde diş çekimi yapılmadan uygulanan tedavilerin sayısı ve başarı oranı hızla artmıştır. Diş çürükleri insanların hayatlarını olumsuz yönde etkilemektedir. Bu çalışmada röntgen görüntüleri üzerinde diş çürüklerinin hızlı bir şekilde tespit edilerek hastaların diş kayıplarının minimuma indirilmesi amaçlanmaktadır. Diş görüntüleri ile derin öğrenme modelleri kullanılarak uygulanan tedavi yöntemleri dolgu, kanal, köprü sınıflarına ayrılmıştır. Ayrıca diş görüntülerine ön işlem olarak luv-v kanalı ve adaptif histogram eşitleme işlemi uygulanarak derin öğrenme modellerinin performanslarının artırılması amaçlanmıştır. 553 tane diş röntgeninden oluşan veri seti üzerinde yapılan segmentasyon işlemlerinin ardından, derin öğrenme modellerinden Faster R-CNN ve Yolov5 modelleri ile deneysel çalışmalar gerçekleştirilmiştir. Yapılan deneysel çalışmalar sonucunda; Faster R-CNN %86.7 doğruluk değerine ulaşılırken, Yolov5 modelinde ise %92.7 oranında doğruluk oranına ulaşılmıştır. Görüntü işleme ve Yolov5 hibrit modelinin uygulanması sonucunda elde edilen karar destek sistemi diş kliniklerinde kullanılabilecektir.
Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak bıst100 endeksi ile emtia, döviz fiyatları ve gelişmekte olan ülkelerin borsa endeksleri arasındaki ilişkinin incelenmesi
Döviz piyasaları, emtia piyasaları ve gelişmekte olan ülkelerin borsa endekslerinin Bist100 üzerindeki etkisi oldukça önemlidir. Ülke ekonomileri hem kendi hem de diğer ülkelerin ekonomilerine güçlü bir şekilde bağlıdır ve bu sebeple piyasalar etkilenmektedirler. Ekonomik açıdan piyasayı takip etmek kararları doğru verebilmek için tahmin yöntemleri kullanılmaktadır. Bu çalışmada makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak Bist100 endeksi ile emtia, döviz fiyatları ve gelişmekte olan ülkelerin borsa endeksleri arasındaki ilişki tahmin algoritmaları kullanılarak incelenmiştir. Veri kümesi Ocak 2017 – Ekim 2021 tarihleri arasındaki kapanış verilerinden oluşmaktadır. Deneysel çalışmalarda objektifliğin sağlanması amacıyla k katlı çapraz geçerlilik modeli uygulanmıştır. Modellerin karşılaştırılmasında; Ortalama Mutlak Hata (MAE), Bağıl Mutlak Hata (RAE) , Ortalama Karesel Hata Karekökü (RMSE) kullanılmıştır. Makine öğrenmesinde IBk, Kstar, Random Committee ve Random Forest modelleri kullanılırken derin öğrenme yöntemi olarak LSTM modeli kullanılmıştır. Deneysel çalışmalar sonucunda, LSTM modelinin makine öğrenmesi modellerine göre daha iyi sonuç verdiği görülmüştür. LSTM modeli için test sonuçları incelendiğinde MAE değer 10.27, RMSE değeri 14.15 ve RAE değeri ise 6.06 'dır.
Bilişim teknolojileri öğretmenlerinin Scratch yazılımına ilişkin özyeterlik inançlarının makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması
Teknolojinin gelişmesiyle bireylerin sahip olması beklenen beceriler de değişime uğramıştır. Bilgi işlemsel düşünme becerisi 21.yy. becerileri içerisinde en önemli becerilerdendir. Bu becerinin bireylere kazandırılabilmesi için nitelikli bir kodlama eğitimine ihtiyaç vardır. Bu düzlemde MEB bilişim teknolojileri öğretim programı kapsamına kodlama eğitimini dahil etmiştir. Program kapsamında temel düzey blok tabanlı kodlama araçlarından Scratch kullanılarak bu eğitim verilmektedir. Bu sebeple bilişim teknolojileri öğretmenlerinin kodlama araçları konusunda kendilerini ne kadar yeterli gördükleri son derece önemlidir. Bu bağlamda, bu çalışmada bilişim teknolojileri öğretmenlerinin Scratch'e yönelik kullanımına ilişkin öz yeterlik inançlarının klasik makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması amaçlanmıştır. Veri toplama aracı olarak ise daha önceden geliştirilmiş T-SECT anketi kullanılmıştır. Bu ölçek likert tipinde 39 maddeden oluşmaktadır. Bilişim teknolojileri öğretmenlerinden oluşan 192 örnek ve 39 öznitelik kullanılarak veri seti oluşturulmuştur. Örnek sayısının sınırlılığı nedeniyle dengesiz veri sorununu ortadan kaldırmak için SMOTE yöntemi ile veri çoğaltılmış ve örnek sayısı 262 ye yükseltilmiştir. Veri seti WEKA yazılımına aktarılarak üzerinde klasik makine öğrenmesi yöntemleri ve Google Colab platformu ile Evrişimli Sinir Ağı (ESA) yöntemleri kullanılmıştır. Bu amaç doğrultusunda Zero-R, J48, Random Forest (RF), K-Star, Multilayer-Perceptron (MLP), NaivesBayes, SMO, Logistic, IBK ve Random Tree yöntemleri ile sınıflandırma başarısı hesaplanmıştır. Veri seti üzerinde en yüksek sınıflandırma performansı elde edilen klasik makine öğrenmesi yöntemleri SMO, MLP, IBK, J48 ve RF olarak bulunmuştur. ESA ile yapılan sınıflandırma klasik makine öğrenmesi yöntemlerinden daha başarılı sonuç vermiştir. Bilişim teknolojileri öğretmenlerinin öz yeterlik inançları ESA kullanılarak %99.30 doğruluk oranıyla başarılı bir biçimde sınıflandırılmıştır.
Kitlesel çevrimiçi ders platformlarında kurslara yapılan yorumların metin madenciliği kullanılarak duygu analizi
Çağımızda kolay ulaşılabilen, az maliyetli, zaman mekan kısıtı olmayan aktiviteler daha çok ilgi görmektedir. Son zamanlarda insanların sahip olduğu olanaklar ve teknolojinin gelişimi de düşünüldüğünde insanların ilgisinde yaşanan bu değişiklik eğitime de yansımıştır. İnsanlar artık istedikleri zaman, istedikleri yerden, kendi seçebilecekleri içeriklere ulaşmak istemektedir. Bu istekler sonunda Kitlesel Açık Çevrimiçi Ders (KAÇD) platformları ortaya çıkmaya başlamıştır. Bu platformlar üzerinde ücretli veya ücretsiz birçok konuda kurslar yer almaktadır. Birçok kişi bu kurslara kayıt olmadan önce, kurslara yapılan yorumlara ve kursa verilen puana göre değerlendirme yapılarak kayıt olmaktadır. Ancak tüm yorumları okuyarak bir kurs hakkında karar vermek kolay olmamaktadır. Bu çalışmada kullanıcıların yorumları okumasına gerek kalmadan kursları olumlu olumsuz olarak değerlendirmesi amacıyla KAÇD platformlarından birisi olan Udemy sitesinde bulunan kurslara yapılan yorumlar kullanılmıştır. Bu yorumlar üzerinden klasik makine öğrenmesi ve derin öğrenme yöntemleri kullanarak kurslar hakkında olumlu olumsuz değerlendirmeleri yapılmıştır. Klasik makine öğrenmelerinden BayesNet, J48 ve OneR algoritmaları ile en başarılı sonuç %91.576 doğruluk ile BayesNet algoritmasından elde edilmiştir. Veri setine Random, GloVe ve Word2Vec kelime gömmeleri uygulandıktan sonra, derin öğrenme modellerinden GRU ve CNN-LSTM hibrit mimarileri uygulanmış ve en başarılı sonuç GloVe kelime gömmesi kullanıldıktan sonra %95.67 doğruluk oranıyla GRU mimarisinden elde edilmiştir.
Derin öğrenme yöntemleri kullanılarak deri lezyon görüntülerinden maymun çiçeği hastalığının tespiti
Maymun çiçeği hastalığı virüsü, COVID-19'dan kurtulmaya çalışırken yeni bir salgın tehdidi oluşturmaktadır. Maymun çiçeği hastalığı, COVID-19 kadar ölümcül ve bulaşıcı olmasa da her gün yeni hasta vakaları kaydedilerek küresel bir salgına dönüşme potansiyeli göstermektedir. Tıbbi görüntüleme alanında Derin Öğrenme teknikleri, bir kişinin hangi hastalığa sahip olduğunu tespit etme konusunda umut vericidir. Maymun çiçeği virüsü bulaşmış deri lezyon görüntüleri, hastalığın erken teşhisi için kullanılabilir. Ancak Dünya Sağlık Örgütü tarafından onaylanmış bir veritabanı mevcut değildir. Derin öğrenme modellerini eğitmek için doğru bir şekilde görüntü veri kümesi oluşturmak önemlidir. Bu çalışma, iki bölümden oluşmaktadır. İlk bölüm, Monkeypox Skin Image Dataset (MSID) veri kümesi ile eğitilmiş bir derin öğrenme modeli sunmaktadır. İkinci bölüm ise Monkeypox Skin Image Dataset (MSID), Monkeypox Master (MM) ve Monkeypox Orijinal İmages (MOI) veri kümelerinden oluşturulan birleştirilmiş bir veri kümesi ile eğitilmiş bir derin öğrenme modeli sunmaktadır. Bu görüntüler, çeşitli açık kaynak ve çevrimiçi kaynaklardan toplanmış olup araştırma amaçlı kullanıma uygundur. Bu çalışmada, DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge ve Xception olmak üzere beş farklı derin öğrenme modeli, oluşturulan iki farklı veritabanında denenmiş ve karşılaştırılmıştır. Artırılmış veri kümeleri bu çalışmada kullanılarak, maymun çiçeği hastalığını %99,33 ve %98,52 doğruluk oranlarıyla sırayla MSID ve HIBRID veri kümelerinde tanımlayabilen DenseNet201 modeli değerlendirilmiş ve önerilmiştir. Önerilen model, olası bir pandeminin önüne geçerek insan sağlığını korumaya yardımcı olarak insan sağlığının korunmasına katkıda bulunacaktır.
Görüntü sınıflandırması için evrişimsel sinir ağlarında parametrelerin sınıflandırma performansına etkisi
Günümüzde, görüntü işleme ve örüntü tanıma alanında büyük ilerlemeler kaydedilmekte ve bu alandaki başarıların arkasında evrişimsel sinir ağları büyük bir rol oynamaktadır. Biyolojik sinir ağlarının işleyişinden ilham alarak tasarlanan evrişimsel sinir ağları, görüntü verileri üzerinde nesne tanıma, sınıflandırma ve öznitelik çıkarma gibi görevleri başarıyla gerçekleştirmektedir. Ancak evrişimsel sinir ağlarının tasarlanması ve uygulanmasında karşılaşılan bazı zorluklar mevcuttur. Kullanılan evrişimsel sinir ağı modeline, veri setine ve donanımlara göre hiperparametrelerin optimizasyonu konusu bu zorlukların başında gelmektedir. Bu çalışmada iki farklı veri seti kullanılarak evrişimsel sinir ağı modellerinde bazı hiperparametrelerin sınıflandırma performansı üzerindeki etkileri incelenmiştir. Çalışmada incelenen hiperparametreler; eğitim tur sayısı, nöron sayısı, paket boyutu, aktivasyon fonksiyonları, optimizasyon algoritmaları ve öğrenme oranıdır. Keras kütüphanesinde yer alan evrişimsel sinir ağı modellerinde veri setleri üzerinde yapılan testler sonucunda en iyi performansı gösteren NASNetMobile ve DenseNet201 modelleri ile uygulamalar yapılmıştır. Hiperparametrelerin farklı aralıklardaki değerleri ile planlanan 65 farklı model için eğitim uygulanmış ve sonuçlar elde edilmiştir. Yapılan çalışmalar neticesinde doğruluk oranlarında NASNetMobile modelinde başlangıç değerine göre % 6,5, DenseNet201 modelinde ise başlangıç değerine göre % 11,55 yükselme gözlemlenmiştir.
Pedilen ayak görüntüleri üzerinde derin öğrenme yöntemleri kullanılarak hatalı ürün tespiti
Endüstriyel üretim süreçlerinde hatalı ürünlerin tespiti, üretim kalitesinin sağlanması ve müşteri memnuniyetinin artırılması açısından kritik bir öneme sahiptir. Hatalı ürün tespiti için öncelikle, ürünün kalite kriterlerine uygunluğunu belirlemek için spesifikasyonlar oluşturulmalıdır. Bu spesifikasyonlar, ürünün fiziksel özelliklerini ve kabul edilebilir kalite standartlarını içermelidir. Yaşamsal faaliyetlerin sürdürülmesi, öz bakım ve ulaşım gibi aktivitelerin gerçekleştirilmesinde büyük rol oynayan ayaklar, doğuştan veya sonradan kaybedilebilmektedir. Gelişen teknolojiyle birlikte bu kaybedilen uzuvların yerini protez denen yapay organlar almaktadır. En yaygın protez çeşitlerinden pedilen ayak üretimini yapan firmamızda üretim sonrası insan gözüyle kalite kontrol yapıldığı için meydana gelen bazı üretim kusurları gözden kaçabilmektedir. Firmamızdaki pedilen ayak üretiminde; kullanılan kimyasalların tam karışmaması veya kalıba enjekte edilmesi sırasında hava yapması sonucu oluşan hava kabarcıkları patlarsa çukur hatası, patlamaz ve kabarcık olarak kalırsa kabarcık hatası olarak ifade edilen hatalı ürünler ortaya çıkmaktadır. Bu hatalı ürünler gelişen teknoloji sayesinde derin öğrenme yöntemlerinin kullanımıyla da tespit edilebilir hale gelmektedir. Bu tez çalışmasında, pedilen ayak üretimi yapan firmadan temin edilen görüntülere Python kodları aracılığıyla görüntü çoğaltma işlemi uygulanması sonucu 1200 görüntüden oluşan veri seti oluşturulmuştur. Bu görüntü veri seti üzerinde derin öğrenme yöntemlerinden evrişimsel sinir ağı mimarileri kullanılarak hatalı ürün tespitinin gerçekleştirilmesi amaçlanmaktadır. Toplam 1200 görüntülük veri seti üzerinde Xception, InceptionResNetV2, DenseNet201, NasNetMobile ve EfficientNetV2S mimarileri uygulanarak sonuçlar karşılaştırılmıştır. Deneysel değerlendirmeler neticesinde, InceptionResNetV2 modelinde en üstün başarı oranlarına ulaşılmıştır. 20 epoch değeri kullanıldığında, %99.72 doğruluk, %99 geri çağırma, %99 kesinlik ve %100 f1 skoru elde edilmiştir.
Optimized deep learning approach for image augmentation and classification using generative adversarial network and vision transformer
The availability of large, diverse, and balanced datasets often enables the effective applications of deep learning models in image classification tasks. This limitation becomes particularly evident in domain-specific problems where collecting a sufficient amount of labeled image data is challenging. To address this issue, this study proposes an integrated approach that combines synthetic data generation using a Deep Convolutional Generative Adversarial Network (DCGAN) with classification using a Vision Transformer (ViT) model, further enhanced through meta-heuristic hyperparameter optimization. First, the DCGAN model was optimized to generate high-quality and diverse synthetic images, augmenting the limited FSO turbulence dataset and mitigating issues related to data scarcity and imbalance. The quality of the generated images was quantitatively evaluated using Inception Score (IS) and Fréchet Inception Distance (FID) metrics. The Adagrad optimizer combined with the LeakyReLU activation function yielded highly competitive results, achieving an IS value of 1.2342 and the lowest FID value of 67.7493. Next, the classification process was performed by optimizing both the transformer backbone and the CNN-based classification head. Six nature-inspired meta-heuristic algorithms were employed for this purpose. The ViT-HHO and ViT-ABC models achieved the highest overall performance. ViT-HHO attained the highest accuracy of 93.33%. Similarly, ViT-ABC achieved an accuracy of 93.06%. Experimental results demonstrate that the proposed framework significantly enhances classification performance compared to baseline ViT configurations and state-of-the-art transfer learning models, including EfficientNetB7, ResNet-50, DenseNet121, and InceptionV3. The optimized ViT models, trained on GAN-augmented datasets, achieved high accuracy, precision, recall, and F-score metrics, confirming the effectiveness of the integrated data augmentation and optimization strategy. This study highlights the potential of combining GAN-based data generation and ViT-based classification with meta-heuristic optimization to address the dual challenges of limited data and model performance in specialized computer vision tasks.
Derin öğrenme mimarileri ile savaş uçaklarının tespit edilmesi
Günümüz teknolojisinin hızla gelişmesiyle birlikte, bilgisayarlı görü ve derin öğrenme yöntemleri, savunma sanayi de dahil olmak üzere birçok alanda önemli uygulamalara sahiptir. Özellikle savaş uçaklarının tespiti, askeri operasyonların başarısı açısından kritik bir öneme sahiptir. Düşman hava araçlarının hızlı ve doğru bir şekilde tespit edilmesi, hava savunma sistemlerinin etkinliğini artırmakta ve stratejik kararların daha hızlı alınmasını sağlamaktadır. Yüksek doğrulukta ve hızlı nesne tespiti yapabilen algoritmaların geliştirilmesi, savunma teknolojilerinde büyük bir ihtiyaç haline gelmiştir. Ayrıca, bu tür teknolojilerin geliştirilmesi, sadece askeri operasyonlar için değil, aynı zamanda hava sahası güvenliğinin sağlanması ve sivil hava trafiğinin düzenlenmesi açısından da büyük önem taşımaktadır. Bilgisayarlı görü ve derin öğrenme alanındaki ilerlemeler, savaş uçaklarının tespitinde insan faktöründen kaynaklanabilecek hataları minimize ederek, otomatik ve güvenilir sistemlerin geliştirilmesine olanak tanımaktadır. Bu sebeple, derin öğrenme tabanlı nesne tespiti algoritmalarının performansının incelenmesi ve geliştirilmesi hem akademik hem de endüstriyel araştırmalar için önemli bir çalışma alanı oluşturmuştur. Bu tez çalışmasında, savaş uçaklarının tespiti için modern derin öğrenme tabanlı nesne tespiti algoritmaları incelenmiş ve performansları karşılaştırılmıştır. Çalışmada YOLOv7, YOLOv8 ve RT-DETR modelleri kullanılarak, farklı savaş uçağı tiplerinin tespiti gerçekleştirilmiştir. Kullanılan veri seti, çeşitli açılardan ve arka planlardan çekilmiş 43 farklı savaş uçağı tipine ait görsellerden oluşmaktadır. Modellerin eğitimi ve test edilmesi sürecinde, hiperparametrelerin performansa etkileri detaylı bir şekilde analiz edilmiştir. Deneysel sonuçlar, RT-DETR'nin %92,7 mAP ve %90,4 geri çağırma oranıyla daha tutarlı performans sergilediğini göstermektedir. YOLOv8, %94 mAP ile en yüksek performansı sunarken geri çağırmada %88,1 geri çağırma değeriyle RT-DETR'nin gerisinde kalmıştır. YOLOv7 ise %90,2 mAP ve %82,7 geri çağırma oranına sahiptir.
Derin öğrenme mimarileri kullanılarak drone ile askeri araç ve silahların sınıflandırılması
Bu çalışmada derin öğrenme yöntemleri kullanılarak eğitilen model ile askeri araçları, silahlı-silahsız kişileri havadan otonom uçuşlar yaparak tespit edebilen bir drone tasarlanmıştır. Nesneleri sınıflandırmak için transfer öğrenme mimarilerinden ResNet50, InceptionV3, Xception, Mobilenet, EfficientNet gibi 5 farklı transfer öğrenme mimarisi ile çalışılmış olup performans karşılaştırmaları yapılmıştır. Ayrıca nesne tespit işlemleri için YOLOv8 ve YOLO-NAS mimarilerinin performansları karşılaştırılmıştır. Mimariler için askeri ve sivil araçlar, sivil ve silahlı insan görüntülerinden oluşan 4195 adet görsel içeren 6 sınıflı yeni bir hibrit veri seti hazırlanmıştır. Modellerin aşırı öğrenmemesi için veri setindeki görüntülere veri çoğaltma yöntemlerinden rastgele yaklaştırma, yatay yönde rastgele kaydırma, dikey yönde rastgele kaydırma, yatay döndürme, belirli açıyla döndürme ve yatay kayma işlemleri uygulanmıştır. Çalışmada transfer öğrenme mimarilerindeki en başarılı sonuçlar 0,9824 doğruluk, 0,9802 F1-skoru değeri ile ResNet50 mimarisi ile elde edilmiştir. Nesne tespit işlemlerinde en yüksek skorlar YOLOv8 nesne tespit algoritması ile 0,961 mAP50, 0,9116 F1-skoru olarak elde edilmiştir. Tasarlanan İHA üzerinde yapılan gerçek zamanlı çalışma testlerinde ResNet50 mimarisi YOLOv8'e göre daha düşük performans gösterdiğinden İHA üzerine YOLOv8 ile oluşturulan model eklenmiştir. Veri setine havadan görüntüleri çekilmiş daha fazla askeri araç görüntüsü eklenerek veriler çoğaltılabilir. Veri setindeki her sınıf kendi arasında özelleştirilerek farklı sınıflara ayrılabilir.