Deep learning
515 theses under this subject heading
Bitki yapraklarındaki hastalıkların derin öğrenme yöntemleri kullanılarak tespiti ve sınıflandırılması
Dünya nüfusunun her geçen gün artması ile birlikte gıdaya olan ihtiyaç da bununla birlikte paralel bir şekilde artmaktadır. Bu nedenle tarıma duyulan ihtiyacın artmasıyla mahsul veriminin kalitesinin artırılması ve iyileştirilmesi önemli bir ilgi alanıdır. Bitkiler bir hastalıkla karşılaşması durumunda elde edilecek mahsulün miktarı ve kalitesinde azalma gerçekleşmesiyle birlikte verim düşecektir. Bu bakımdan, bitkilerden elde edilen ürünlerin kaliteli olması, bitkilerin hastalıklardan korunmasına bağlıdır. Bitkide hastalık meydana geldiğinde ise hastalığın erkenden tespitinin yapılabilmesi ve bitkinin tedavi edilebilmesi çok önemli bir gereklilik olup bu sayede bitkiden elde edilecek ürün verimi kalitesinin düşmesinin önüne geçilebilmiş olunacaktır. Bu çalışmada hastalıkların erken aşamada tespit edilmesi amacıyla son yıllarda oldukça popüler olan derin öğrenme tabanlı modeller ve çeşitli halka açık veri setleri kullanılarak sınıflandırma yapılmıştır. Tarım teknolojisindeki gelişmeler ve bitki hastalıklarının teşhisinde yapay zekânın kullanılmasıyla, sürdürülebilir tarımsal kalkınma için uygun araştırmaların yapılması gittikçe önemli hale gelmektedir. Bitkilerdeki hastalıkların erken tespit edilmesi ve elde edilecek ürün miktarının artırılmasına yönelik yapılacak bir çalışma önemlidir. Çünkü hastalığın bir uzman ya da çiftçiler tarafından çıplak gözle veya laboratuvar testleri gibi geleneksel sınıflandırma yöntemleriyle teşhis edilmesi zor ve yanıltıcı olabileceğinden ve aynı zamanda zaman alıcı, maliyetli ve öznel olması gibi birçok sınırlaması olduğundan dolayı bitki hastalıklarının derin öğrenme yöntemleri kullanılarak tespiti ve sınıflandırılması hızlı ve doğru bir yöntem sunmaktadır. Bu amaçla bitki yapraklarındaki hastalıkların erken tespit edilebilmesi için literatürde kabul gören derin öğrenme mimarileri kullanılmıştır. Ayrıca daha başarılı sonuçlar elde etmek için yeni bir model geliştirilmiştir. ANAHTAR KELİMELER: Bitki Hastalıkları, Derin Öğrenme, Görüntü İşleme, Evrişimli Sinir Ağı, Sınıflandırma, Yapay Zeka
Akciğer kanserinin bilgisayarlı tomografi görüntüleri kullanılarak derin öğrenme ile tespiti
Yapay zekâ, artan teknolojik faaliyetlerle birlikte hem söylem hem de teknik olarak yaşantımızın önemli bir bölümünde yer almaktadır. Bir yapay zekâ türü olan makine öğrenmesi ve bunun alt kümesi derin öğrenme modelleri ve algoritmalar kullanılarak mevcut veriler işlenebilmekte, yeni ve faydalı veriler elde edilmektedir. Derin öğrenme yöntemlerinden biri olan görüntü işleme teknolojisi, var olan görüntüleri işleyerek yeni ve kullanışlı bilgiler sunma modelidir. Tıbbi görüntüleme teknolojisi ise hastalıkların erken teşhis edilmesi ve tedaviye yanıt oranını arttırmaktadır. Ayrıca hastaların tıbbi görüntülerinin hekimler tarafından okunma süreci zaman kaybının yanı sıra sonuçların sübjektif olmasından dolayı tartışma konusudur. Görüntü işleme teknolojisi bu alanda radyologların iş gücü ve zaman kaybını azaltmasıyla birlikte objektif sonuçlar ortaya çıkarmasıyla popülerliğini arttırmaktadır. Bu tez kapsamında "Görüntü işleme teknolojisi nedir?" sorusuna cevap aranmıştır. Bu soruya cevap niteliği taşıyan tezin bilim dünyasına katkısı vurgulanmıştır. Tez kapsamında, sağlıklı, akciğer kanserli kötü ve iyi huylu tümörler bulunan bilgisayarlı tomografi görüntülerinin yer aldığı veri kümesi, önceden eğitilmiş konvolüsyonel sinir ağları; AlexNet, DenseNet 201, GoogleNet, MobileNetV2, ResNet50 mimarileriyle eğitime tabi tutulmuştur. Bu eğitim sonrası bulunan doğruluk oranının arttırılması hedeflenmiştir. Bu bağlamda yeni bir hibrit model geliştirilmiştir. Deneysel sonuçlar önerilen modelin başarısını kanıtlar niteliktedir.
Makine öğrenmesinde gradyan inişi optimizasyon algoritmaları üzerine
Bu çalışmada, makine öğrenmesinde önemli bir yere sahip olan gradyan tabanlı optimizasyon algoritmalarının yapısı, çeşitleri, avantaj ve dezavantajlarına yer verilmiştir. Bu amaçla 1. dereceden optimizasyon algoritmalarından literatürde en çok kullanılan; Stokastik Gradyan İniş, Momentum, Nesterov Momentum, AdaGrad, Adadelta, RMSProp, Adam ve Nadam algoritmaları ile 2. Dereceden optimizasyon algoritmalarından Newton, BFGS ve L-BFGS algoritmaları ele alınmıştır. Algoritmaların matematiksel yapıları incelenmiş ve karşılaştırmaları için üç farklı gerçek hayat problemi ele alınmıştır. Bu problemlerin yapay zeka modelleri ile çözümlerinde ResNet50, VGG19 ve lojistik regresyon modelleri kullanılmıştır. Elde edilen sonuçlar çizelge ve şekiller üzerinden değerlendirilmiştir. Algoritmaların performansları metriklerle ölçülerek, algoritmaların hem birbirlerine karşı performansları hem de modellerde ki başarımları tespit edilmiş ve sonuçları yorumlanmıştır.
Derin öğrenme teknikleriyle dinlenme halinde yüz cephe fotoğraflarında nokta tespiti algoritmasının geliştirilmesi
Amaç: Ortodontik tedaviler, yüz görünümünde belirgin değişikliklere yol açabilmektedir. Bu nedenle, hem teşhis aşamasında hem de tedavi planlamasında yüzün detaylı bir şekilde değerlendirilmesi önem kazanmaktadır. Geleneksel olarak antropometrik yöntemlerle yapılan bu değerlendirmeler, günümüzde daha pratik bir yaklaşımla fotoğraflar üzerinden gerçekleştirilmektedir. Sayısal bir değerlendirme yapabilmek için, yüz üzerindeki anatomik referans noktalarının yazılım desteğiyle otomatik olarak tespit edilmesi gerekmektedir. Bu çalışmada, derin öğrenme yöntemlerinin kullanılarak yüz fotoğraflarında bu referans noktalarını doğru bir şekilde belirleyebilme yeteneği araştırılmıştır. Materyal ve Metot: Derin öğrenme modeli oluşturulurken 1000 yüz fotoğrafı etiketlenmiştir. Çalışmamızda FarNet (Feature Aggregation and Refinement Network) mimarisi ve ResNet101 omurga ağı kullanılmıştır. Model, 900 fotoğraf içeren eğitim veri seti ile eğitilmiş ve 100 fotoğraftan oluşan test veri seti ile değerlendirilmiştir. Geliştirilen derin öğrenme modelinin performansı, ortalama radyal hata, standart sapma ve başarı tespit oranları hesaplanarak değerlendirilmiştir. Bulgular: Geliştirilen derin öğrenme modelinin ortalama radyal hata değeri 2.02 ± 2.47 mm olarak bulunmuştur. Model, 2.0 mm, 2.5 mm, 3.0 mm ve 4.0 mm aralıklarında sırasıyla %70.41, %77.33, %81.94 ve %88.89 başarı tespit oranlarına ulaşmıştır. 39 işaret noktası arasında, pupil right noktası 0.58 ± 0.72 mm ortalama radyal hata ile en düşük hata değerine sahip olmuştur. Pupil right noktası, 2.0 mm, 2.5 mm, 3.0 mm ve 4.0 mm aralıklarında en yüksek başarı tespit oranına ulaşmıştır. Sonuç: Derin öğrenme yöntemlerinin, anatomik işaret noktalarının tespitinde yeterli bir performans sergilediği görülmüştür.
Sefalometrik noktaların yapay zeka yöntemleri ile tespiti
Sefalometrik görüntüler üzerinde belirlenen noktalar kullanılarak yapılan sefalometrik analizler, ortodontik problemlerin tespiti ve tedavi yönteminin belirlenmesinde önemli bir araçtır. Geleneksel yöntemlerle yapılan analizler uzun zaman almakta ve sonuçlar, analizi yapan uzman hekimlere göre de farklılık gösterebilmektedir. Bu çalışmanın amacı, yapay zeka yöntemlerinin, sefalometrik analiz noktalarının tespitindeki başarısının ve uzman hekimlere yardımcı olup olamayacağının araştırılmasıdır. Bu çalışmada, 2015 yılında The IEEE ISBI 2015 Challenge kapsamında sefalometrik nokta tespiti algoritmalarının geliştirilmesi için halka açık yayınlanan veri seti kullanılmıştır. Bu veri seti, her bir görüntüde 19 farklı noktanın işaretlendiği toplam 400 lateral sefalometrik görüntüden oluşmaktadır. Veri setindeki görüntülerin 40 tanesi test, 360 tanesi eğitim için kullanılmıştır. Model eğitimi için Python programlama dili kullanılarak Pytorch kütüphanesi ile CNN ağı geliştirilmiştir. Eğitim, 300 epoch boyunca 0.001 öğrenme oranı ile sürdürülmüş, eğitim sonunda model kaydedilmiştir. Sefalometrik nokta tespiti için, klinik pratikte kabul edilebilir hata payı 2 milimetredir. Bu değerin üzerindeki tahminlerin, problem tespiti ve tedavi yönteminin belirlenmesinde hatalı sonuçlara neden olabileceği kabul edilmiştir. Yapılan eğitim sonucunda en başarılı tespit edilen nokta 7,82049 MRE ve 0,975 SDR değerleri ile Incision superius noktası, en başarısız tespit edilen nokta ise 43,20057 MRE ve 0,225 SDR değerleri ile Porion noktası olmuştur. Genel başarıya bakıldığında, %76.84 oranında başarılı tahmin oranının yakalandığı görülmektedir. Mevcut veri seti ile yapılan eğitim sonucunda, yapay zeka yöntemleri ile sefalometrik noktaların tespiti çalışmalarının, hekimlere karar destek mekanizması rolü üstlenebilecek bir başarıya yaklaştığı görülmektedir. Çalışmanın daha da geliştirilmesi ve hekimlerin kullanımına sunulması durumunda, önemli bir zaman kazancı sağlayabileceği, ayrıca hem farklı hekimlerin yaptığı işaretlemeler, hem de aynı hekimin farklı zamanlarda yaptığı işaretlemeler arasındaki tutarsızlıkların minimuma indirgeneceği düşünülmektedir.
Pekiştirmeli öğrenme yöntemi ile poz tahmini ve insan hareket analizi
Ev ortamında fizyoterapi ve sağlık uygulamaları, teknolojinin gelişmesi ve dijital iletişim araçlarının yaygınlaşmasıyla birlikte hayatımıza girmiştir. Bu uygulamalar, daha erişilebilir, etkili ve kişiselleştirilmiş sağlık hizmetleri sunma amacıyla gelişmiş teknolojilerin entegrasyonunu temsil etmektedir. Günümüzde, özellikle pandemik koşullardan sonra, hastaların konforlu bir şekilde kendi evlerinde tedavi görmelerine ve sağlık durumlarını takip etmeye olanak tanımak önemli bir araştırma konusu olmaktadır. Tez çalışması kapsamında, tüm bu ihtiyacı karşılamaya yönelik sağlık ve teknoloji bir araya getirilerek uzaktan fizik tedavi sağlayan kamera tabanlı bir yaklaşım ile kullanıcılara düşük maliyetli ve pratik bir tasarım sunmak hedeflenmektedir. Bu amaçla, kullanıcılara tekrar etmesi istenen hareketlere ait eğitmen videoları gösterilmekte ve en benzer şekilde bu hareketi gerçekleştirmeleri beklenmektedir. Sistemde, çalıştırılacak vücut fonksiyonuna göre seçilmiş 11 hareket bulunmakta ve bu hareketler kullanıcılara gruplandırılmış şekilde sunulmaktadır. Gerçekleştirilen hareketler, Mediapipe ile analiz edilmekte ve eğitmen/kullanıcı benzerliğinde hareket özelinde çıkarılan açılar kullanılmaktadır. Bu açılar, dinamik zaman bükme algoritması ile karşılaştırılmakta dolayısıyla yapılan hareketlerin benzerliği zamandan bağımsız olarak değerlendirilebilmektedir. Sistemdeki çevre tasarımına göre kullanıcıya gösterilecek hareketin kararı pekiştirmeli öğrenme algoritmalarından biri olan politika iterasyonu algoritması ile verilmektedir. Pekiştirmeli öğrenme aracılığıyla kullanıcıya oyunlaştırılmış bir tasarım sunulmakta ve ödül/ceza sistemi ile kullanıcının motivasyonunu yüksek tutmak amaçlanmaktadır. Sistem, kavramsal olarak ortaya konması sebebiyle alanında uzman kişilerin önerileri ile şekillendirmeye uygun ve esnek olarak tasarlanmıştır. Çalışma kapsamında temel uygulama alanı fizik tedavi olarak belirlense de aynı mantık ile çalışan tüm alanlarda uygulanma imkânı bulunmaktadır.
Derin öğrenme yöntemleri ile anomali tespiti
Anomali tespiti, normalden sapmış veri örneklerini tanımlama sürecidir ve çeşitli alanlarda önemli uygulamalara sahiptir. Bu tez, anomali tespiti için derin öğrenme yöntemlerini araştırmakta ve derin hiperküre sınıflandırıcılarını kullanan yeni bir yöntem önermektedir. Önerilen yöntemde, diğer derin hiperküre sınıflandırıcılarının aksine, hiperküre merkezi öğrenilebilir parametre olarak ele alınmış ve eğitim sırasında değişen derin öznitelik temsillerine göre bu merkezin güncellenmesi sağlanmıştır. Ayrıca Aykırı Değer Maruziyeti için kullanılan veri setlerindeki gürültülü etiketlere karşı daha gürbüz bir kayıp terimi önerilmiştir. Yapılan deneyler, önerilen yöntemin anomali tespitinde yaygın olarak kullanılan veri setlerinde literatürdeki en iyi veya eşit sonuçları elde ettiğini göstermiştir.
Gerçek zamanlı fizyolojik sinyal verilerinin karşılaştırmalı öğrenme tekniği ile kişiselleştirilmiş anomali tespiti
İnsanlardan alınan fizyolojik sinyaller, sağlık başta olmak üzere birçok alanda önem taşımaktadır. Kişinin kalp atış hızı, vücut sıcaklığı, kan basıncı, elektrodermal aktivite gibi bilgileri analiz edilerek kalp hastalıklarını teşhis edilebilmek, stres seviyesini belirleyebilmek, egzersiz performansını izlemek gibi birçok fayda sağlamaktadır. Teknolojinin gelişmesiyle birlikte fizyolojik sinyallerin daha kolay elde edilebilir olmasını sağlayan akıllı saatler ve bileklikler günlük yaşantımıza girmişlerdir. Bu sayede insanlar spor yaparken veya günlük hayatlarında, geliştirilen bu teknolojileri kullanarak sağlık durumlarını takip edebilmektedir. İnsan sağlığını etkileyen beslenme, fiziksel aktivite, uyku düzeni, genetik faktörler gibi unsurlardan biri de strestir. Günümüzde yaygın bir sorun haline gelen stres, sağlığımız üzerinde de ciddi etkilere sahiptir. Ayrıca vücuttaki çeşitli fizyolojik sinyaller üzerinde de stresin etkileri görülebilmektedir. Yapılan tez çalışması kapsamında da stresin fizyolojik sinyaller üzerindeki etkilerinin incelenmesi amacıyla karşılaştırmalı öğrenme modeli kullanılarak kişinin stresli olup olmadığının tespitinin yapılabilmesi hedeflenmektedir. Normal şartlar altında beklenenden farklılık gösteren, alışılmadık veya dikkat çekici olay ve durumlara anomali denmektedir. Bu nedenle çalışma kapsamında bir kişinin stresli olması anomali olarak değerlendirilmektedir. Karşılaştırmalı öğrenme, etiketlenmemiş veriler üzerinde kullanılmak üzere ortaya çıkan bir derin öğrenme yöntemidir. Zaman serisi verilerinde anomali tespiti, etiketlenme eksikliği nedeniyle genellikle sorun oluşturmaktadır. Bu sorunu çözebilmek için farklı hastalıklara sahip (obstetrik brakial pleksus yaralanması, disleksi, zihinsel engelli ve tipik olarak gelişmiş) çocuklardan alınan zaman serisi olarak tutulan kan hacmi nabzı, elektrodermal aktivite ve vücut sıcaklığı verileri ile karşılaştırmalı öğrenme modeli kullanılarak anomali tespiti yapılması hedeflenmektedir. Çalışma kapsamında ilk önce tüm veriler kullanılarak ardından kişiye özel anomali tespiti yapılmaktadır. Sonucunda ise kişiselleştirilmiş anomali tespitinin genel anomali tespitinden daha başarılı bir sonuç elde ettiği görülmektedir.
En iyileştirilmiş çekirdek uç öğrenme makineleri kullanılarak trafik sinyalizasyon süresinin kontrolü
Son yıllarda şehirleşme ve araç sayısının artması, trafik sıkışıklığının da artmasına sebep olmuştur. Dolayısıyla bu soruna çözüm arayışında olan ulaşım sistemlerindeki gelişmeler de hızlanmış, bir çok çözüm önerisinde bulunulmuştur. Ancak önerilerin bir çoğu trafik akışının dinamikliğine tam olarak yanıt verememektedir. Statik trafik yönetimlerinin yetersiz olması nedeniyle akıllı ulaşım sistemlerinin önemi artmış, araştırmacılar gerçek zamanlı trafik yönetim modelleri ile trafik akışının değişken ve çok parametreli yapısına yönelik çalışmalarını artırmıştır. Bu tez çalışmasında amaç, trafik sıkışıklığının azaltılması ve trafiğin daha akıcı bir hale gelmesidir. Bu amaç doğrultusunda trafik sinyalizasyon sistemlerinde kullanılmakta olan geleneksel sabit süreli yönetim modelleri yerine derin öğrenme ve tek gizli katmana sahip ileri beslemeli bir yapay sinir ağı olan uç öğrenme makinelerinin (ELM, Extreme Learning Machine) bir kombinasyonu kullanılmıştır. Yapılan çalışma 4 aşamada gerçekleştirilmiştir. Birinci aşamada, gerçek trafiğe ait video görüntülerinde yer alan araçlar, derin öğrenme algoritmalarından YOLOv8 ile tespit edilmiş ve sınıflandırılmıştır. İkinci aşamada, eğitilmiş derin modelin öznitelikleri çıkarılarak çekirdek uç öğrenme makinesine (KELM, Kernel ELM) giriş olarak verilmiştir. Burada, veri setinin karmaşık yapısını modellemek, trafik akışı tahminlerindeki doğruluğu artırmak için uç öğrenme makinesi iç çarpımı, çekirdek (kernel) işleviyle değiştirilmiştir. Üçüncü aşamada KELM'nin optimizasyonu için Parçacık Sürü Optimizasyonu (PSO, Particle Swarm Optimization ), Gri Kurt Optimizasyon Algoritması (GWO, Grey Wolf Optimization), Genetik Algoritma (GA, Genetic Algorithm) ve Yapay Arı Kolonisi Optimizasyon Algoritması (ABC, Artificial Bee Colony) kullanılmıştır. Bu basamaktaki çalışma sonrası, Genetik Algoritmanın problemimize ve veri setimize diğer algortimalara göre daha uygun olduğu tespit edilmiştir. Son aşamada ise tespit edilen araçların sayılması, araç sayılarına göre oluşturulabilebilecek adaptif trafik yönetim modelinin simule edilmesi yer almaktadır. Python Pygame kütüphanesi kullanılarak hazırlanan simülasyonda, 4 kollu izole sinyalize kavşaktaki trafik canlandırılmıştır. Gerçek kamera görüntüsünde, kırmızı ışıkta bekleyen araçlar tespit edilerek araç sayıları elde edilmekte, bu araçlara atanan değerler kulanılarak yeşil ışığın süresi tayin edilmektedir. Bu şekilde gerçek trafik yoğunluğuna, aracın sayısına hatta araç türüne özel bir adaptif trafik kontrol sistemi oluşturulmuştur.
Otonom IHA tabanlı demiryolu bakım sistemi için yenilikçi derin öğrenme yöntemlerinin geliştirilmesi
Bu tez çalışmasının ana amacı, demiryolu hatlarının ve bileşenlerinin otomatik olarak izlenmesi ve kusurların yüksek doğrulukla tespit edilmesidir. Tezde, geleneksel yöntemlerin yerini alan otonom sistemler ile iş gücü ve zaman kaybını en aza indirerek verimliliği artırmak hedeflenmektedir. Çalışmanın temel motivasyonlarından biri, ray hatlarında ve bileşenlerinde bulunan yabancı nesnelerin tespit edilmesidir. Bu tür nesneler, ray hattı güvenliğini olumsuz etkileyebileceğinden, demiryolu ulaşımının güvenliği açısından önemli bir risk oluşturmaktadır. Simülasyon ortamında geliştirilen yöntem, gerçek dünya şartlarına uyarlanarak daha etkili ve güvenilir demiryolu bakım sistemleri geliştirilmesine olanak tanımaktadır. Proje kapsamında, Gazebo simülasyon ortamında Parrot Anafi4K İHA kullanılarak demiryolu hattı boyunca uçuş simülasyonları gerçekleştirilmiştir. Gerçek dünya ortamında yapılacak olan çalışmalarda, İHA ile toplanan görüntüler hibrit derin öğrenme tabanlı modellerle işlenerek, demiryolu bileşenlerindeki kusurların tespiti sağlanacaktır. Çalışmada YOLO, Unet, BiSeNetV2 gibi derin öğrenme algoritmaları ve hibrit yöntemler kullanılarak, demiryolu bileşenlerinde oluşan çatlaklar, deforme bağlantı elemanları gibi kusurların yüksek doğrulukla tespiti amaçlanmaktadır. Bu sayede, demiryolu bakım işlemleri daha hızlı ve maliyetsiz bir şekilde gerçekleştirilebilecektir. Ayrıca, geleneksel Unet modelinden daha iyi performans gösteren, Unet tabanlı geliştirilmiş bir DNet bölütleme modeli de geliştirmiştir. Geliştirilen yöntemlerin bulguları, literatürdeki çalışmalarla karşılaştırılarak detaylı bir şekilde sunulmuş ve başarılı ve etkili sonuçlar elde edilmiştir.
Akciğer bilgisayarlı tomografilerinden görüntü işleme ve derin öğrenme ile COVID-19 tespiti
Yeni koronavirüs hastalığı (COVID-19) SARS-CoV-2 virüsünün sebep olduğu bir salgın hastalıktır. Bulaşıcılığının çok yüksek olması sebebiyle hastalığın kontrol altına alınabilmesi için enfekte olmuş bireylerin hızlıca tespit edilip izole edilmesi gerekmektedir. Hastalığın tespit edilmesinde sıklıkla tercih edilen yöntem ters transkripsiyon-polimeraz zincir reaksiyonu (RT-PCR) testleridir. Bu testlerin sonuç verme sürelerinin uzunluğu ve başarım yüzdelerinin hastalığın evrelerine göre farklılık gösterebilmesi önemli dezavantajları olarak öne çıkmaktadır. Hastalığın erken evrelerinde hızlı ve doğru bir şekilde COVID-19 tanısı koyabilmek için tıbbi radyolojik görüntüleme yöntemleri de kullanılmaktadır. Bu yöntemler, hasta ile daha az temas gerektirdiğinden daha az bulaş riskine sahiptir. Özellikle, X-ışını (X-Ray) ve Bilgisayarlı Tomografi (BT) görüntüleri üzerinden derin öğrenme temelli yaklaşımlar ile COVID-19'un tespit edilmesini hedefleyen çalışmalar literatürde yoğun ilgi görmektedir. Bu çalışmada, akciğer BT görüntülerini içeren bir veri kümesi oluşturulmuştur. Bu veri kümesi üzerinde derin öğrenme temelli mimariler kullanılarak COVID-19'un tespiti gerçekleştirilmiştir. Derin öğrenme mimarileri kullanılırken iki farklı izlem takip edilmiştir. Birinci izlemde, Basit-CNN ve VGG16 mimarileri kullanılarak ağ derinliğinin başarım üzerindeki etkisi incelenmiştir. İkinci izlemde ise öğrenme aktarımı yönteminin derin öğrenme mimarilerinden VGG19, MobileNet ve DenseNet'in başarımları üzerindeki etkisi araştırılmıştır. Çalışmalar sonucunda DenseNet201 mimarisinin 0,99 test doğruluğu ile en yüksek başarıma sahip olduğu gözlemlenmiştir.
Alüminyum döküm hatalarının derin öğrenme yaklaşımıyla tespiti ve sınıflandırılması
Eşsiz özellikleri nedeniyle, yüksek basınçlı döküm tekniğiyle üretilen alüminyum döküm parçaları, özellikle otomotiv endüstrisinde yaygın olarak kullanılmaktadır. Bununla birlikte döküm parçalarının muayenesi, başka türlü görülemeyen iç kusurları incelemek için X-ışını gibi teknolojiler kullanılarak kritik bileşenlerin tahribatsız test edilmesini gerektiren bir süreçtir. Böylesine zaman alıcı bir görsel muayene, azami dikkatle iyi eğitilmiş uzmanlar gerektirir. Bu çalışmada, alüminyum döküm parçalarının iç kusurlarını uluslararası bir standarda uygun olarak tespit etmek, seviyelendirmek ve bu kusur bilgileriyle döküm süreci parametrelerini ilişkilendirmek amaçlanmıştır. Kullanılan veri seti (Al-Cast veri seti), X-ışını görüntülerinden oluşan özgün bir veri seti olup tüm görüntüler dikkatlice etiketlenmiştir ve tahribatsız muayene topluluğu için açık erişimli olarak paylaşılmıştır. Kusurların tespiti için derin öğrenme tabanlı bir nesne tespit yöntemi kullanılmış olup, tespitler gerçek-zamanlı ve yüksek doğrulukta (0.97'lik mAP değeri) gerçekleştirilmektedir. Tespitten elde edilen bilgilerle k-ortalamalar++ kümeleme algoritmasından faydalanılarak kusurlar, ASTM standartlarına göre kusur oranları belirlenerek seviyelendirilir. Ayrıca yedi farklı döküm süreci parametresi kullanılarak kusur oranı çıktısı üzerinden nispeten az sayıda yapılan deneylerle bu parametrelerin kusur oranına etkileri analiz edilmiştir. Sonuçlar özellikle ikinci faz piston hızı, üçüncü faz basıncı ve enjeksiyon dolu noktasının kusur oranı üzerinde anlamlı bir etkiye sahip olduğunu göstermektedir. Çalışma bütünsel olarak hem kalite kontrol hem de üretim aşamasında bir karar destek sistemi olarak kullanılmak üzere önemli bir potansiyele sahiptir.
Deep learning-based visual object tracking using edge computing on embedded system
State-of-the-art performance achieved by employing deep neural networks in computer vision tasks has attracted a great attention in visual object tracking in recent years. However, that remarkable performance is associated with higher computational cost, and therefore, higher energy consumption in order to run in real-time. Therefore, using deep neural networks on edge devices with limited resources remains a challenging research problem, particularly when real-time action is crucial. In this thesis, a Siamese-based visual object tracker for edge computing applications is proposed. The aim of this work is to reduce computations, thus boosting the tracker by enabling the network to terminate the inference earlier whenever the result is reliable, in addition to skipping the exhaustive multi-scale search needed for scale estimation. The early exiting behavior is achieved by inserting three additional exit branches into the network at which the staged result is tested on pre-defined criteria to decide when to exit. Moreover, quantization-aware training is applied in order to accelerate the model by using lower precision formats with negligible loss in accuracy. The proposed quantized tracker with an adaptive multi-scale search over two scales runs at 68.5 FPS on CPU achieving 4.6 times faster rate of tracking speed compared to the baseline, associated with an acceptable accuracy loss.
Convolutional neural networks based approach for classification of lung sounds
Over the past few decades, lung sounds detection has been a significant focus of research in the bioinformatics field. Lung sounds convey essential information about respiratory diseases, and to diagnose cases with pulmonary disorders, practitioners use traditional statoscopes to auscultate lung sounds. This technique, however, has many restrictions. For example, if the physician is not adequately trained, this may result in an incorrect diagnosis. Furthermore, lung sounds signals are non-stationary, complicating the analysis and recognition process. From these points, research on identifying the ability of CNN to classify lung sounds can aid in overcoming these constraints. In this research, we applied three different CNN approaches for classifying lung sounds and used the ICBHI 2017 database, the most popular and largest available database. In the first approach, we extracted spectrogram images using Short-time Fourier transform and used weights from ImageNet, then fed spectrograms into VGG16 model. In the second and third approaches, we performed three different data augmentation techniques (Noise, Pitch Shifting, and Dynamic change compression) on all classes, then extracted MFCC features then fed features into Dense CNN; in the third approach, data augmentation was only made on the types that have fewer samples. The validation accuracy obtained 83%,91%, and 93 %, respectively, for the three mentioned approaches.
A real-time face recognition based on mobileNetV2 model
Facial recognition technology is one of the fastest developing technologies. Thanks to its efficacy, ease of use, and extensive applications in health, protection, and surveillance, face recognition is the most widespread technology compared to other biometric ones. Technologies based on deep learning and neural networks have demonstrated superior efficiency and speed when compared to traditional approaches for recognizing persons. In this work, we propose a fast real-time facial recognition system that is applicable for mobile devices and devices of low computational power. It relies on today's latest convolution neural networks algorithms. The database is built based on photos from a collection of known people and some VggFace dataset celebrities. The proposed system is divided into several steps, starting with the detection of faces in the input images using the MTCNN algorithm, followed by their alignment and preprocessing, extracting the face characteristic vectors for each face using the mobileNetV2 model, and finally comparing, classifying and distinguishing the faces. The performance of the system has been evaluated using some examples. The system produced results with an accuracy of 92.67%, with an average of 11.68 frames per second. When compared to the state-of-art models, the experimental results demonstrated that mobilenetv2 model was 2 times faster than ResNet50 model and 4 times faster than VGG16.
Retinal blood vessel segmentation using transfer learning on unet
Manuel segmentation of the retinal blood vessel is time-consuming and there are different conclusions among the ophthalmologists hence creating an automated approach can improve the analysis of the images in order to detect diseases like hypertension. Deep Learning models have shown great performance in the last decade. In this thesis, we constructed the network with UNET, a Convolutional Neural Network-based architecture particularly efficient for medical images. Since the DRIVE dataset, which is freely available, comprises insufficient numbers of training and test samples, we created our method using Transfer Learning, a method that uses the weights from the previously trained network rather than starting the learning with random values. We used several state-of-the-art pre-trained network designs such as VGG, ResNet, and EfficientNet in two different sizes. With the VGG19 architecture, we were able to achieve 96.84% accuracy by freezing the top 12 layers of the network. This promising result shows that this approach can be used in real-world scenarios, with improved accuracy.
Noise removal in electroencephalogram (EEG) using deep learning algorithms
The development of brain abnormalities is tracked using the EEG. It is also used to evaluate individuals who are dealing with brain-related problems, such as patients with schizophrenia. Noises of many kinds contaminate EEG recordings, which makes it difficult to properly analyze the brain signals. It is critical to eliminate unwanted noise from the signals since patient EEG records are crucial for assessing any type of brain disorder. To obtain reliable data on brain activity and prevent errors in its interpretation, the EEG noise removal technique aims to decrease physiological interference. Maintaining a clear and functional signal requires noise cancellation and reduction. Because some signals, like the EEG, are non-stationary, the statistical feature of noise is difficult to understand. In the past year, a variety of methods have been put out to reject various types of noise in EEG signals. However, optimized results have not yet been obtained. In this thesis, a new method will be developed to improve noise removal results using deep learning algorithms. Hybrid deep learning algorithms were created. Noise removal was performed on EEG signals using methods such as Autoencoders(AEs), Convolutional Neural Networks (CNN), and Long Short-Term Memory Networks (LSTM). Two hybrid models, CNN-AEs and LSTM-AEs, were created. EEG Signal-Noise Ratio(SNR) values obtained by trying different numbers of layers were compared with the Principal component analysis(PCA) method. At the end of this study, better training results were obtained with appropriate hyperparameters in hybrid deep learning models.
Deep learning based fabric defect detection
The use of deep learning approach in textile industry for defect detection purpose has become an increasing trend in the last twenty years. Majority of publications have investigated a specific problem in this field. Furthermore, many of published reviews or surveys articles preferred to investigate papers from a more general perspective. Compared with published review publications, this thesis is the first up-to-date study that investigates implementation of deep learning approaches for detection of fabric defects from 2003 to now. In this thesis, deep learning algorithms, VGG 19 and Capsule Networks, are also implemented. In addition, different variants of the auto-encoder method, which is a deep learning method, were also applied. As the main objectives of this thesis is to review deep learning based fabric defects detection and to implement deep learning, the publications regarding fabric defects detection by using deep learning are examined and experimental results are presented.
Design of frequency selective surface based on reflection coefficients in C and X bands using nested convolutional neural network
Frequency selective surfaces (FSS) are surfaces consisting of periodically placed shapes used to reflect, transmit and absorb electromagnetic waves. FSS has many uses such as increasing the antenna performance, reducing the radar cross section, filtering, and increasing the photovoltaic cell performance. Due to the use of FSS in many fields, it has attracted the attention of researchers and has led to studies in this field. The studies are generally aimed at obtaining the FSS surface with optimization algorithms and methods. For this purpose, the desired reflection coefficients (S11) are obtained by iteration. With the significant increase in computational power in recent years, the use of machine learning algorithms has become more widespread and successful results have been obtained in classification and regression problems. In this thesis, studies were carried out to obtain the FSS corresponding to the desired S11 with Decision trees, K-nearest neighbor, Deep learning and hybrid deep learning algorithms from machine learning algorithms. In the training process of machine learning algorithms, reflection coefficients between 6-14 GHz were used as input, while 50x50 FSS images were used as targets. Machine learning models were trained using 29722 reflection coefficients in total. As a result of the training process, the most successful result was obtained with the nested convolutional neural network model, which is a hybrid model. The mean absolute error value of the nested convolutional neural network model was 0.69, and the R2 value was 0.9.
Yakın kızılötesi yansıma görüntülerinde optik disk patolojilerinin derin öğrenme ile sınıflandırılması
Amaç: Bu çalışmada optik disk ödemi ve psödopapilödeme ait Spektral Domain Optik Kohorens Tomografi (SD)-OKT çekimlerinin yakın kızılötesi yansıma (YKY) görüntüleri kullanılarak derin öğrenme (DÖ) ile uygun bir algoritma oluşturulması ve geliştirilen modelin etkinliğinin değerlendirilmesi hedeflenmektedir. Gereç ve Yöntem: Çalışmaya detaylı oftalmolojik muayenesinde optik disk ödemi mevcut olan, 24 papilödem, 16 nonarteritik iskemik optik nöropati (NAİON), 12 santral retina ven oklüzyonu (SRVO), 3 demiyelinizan optik nöropati ve 5 diyabetik papillopatili hastanın toplam 158 görüntüsü, optik disk druseni mevcut olan 70, peripapiller hiperreflektif ovoid kütle benzeri yapıları (PHOKY) olan 62 psödopapilödem hastasının toplam 346 görüntüsü ile herhangi bir optik disk patolojisi olmayan sağlıklı 168 kişiden 336 göze ait optik koherens tomografi (OKT)'den elde edilmiş YKY görüntüsü dahil edildi. Görüntülerin %85'i (714 görüntü) modelin eğitimi, %15'i (126 görüntü) ise eğitilmiş modelin test edilmesi için 2 gruba ayrıldı. Optik disk görüntülerini sınıflandırmak için evrişimsel sinir ağları (ESA) algoritması kullanılarak bir DÖ modeli oluşturuldu. Temel olarak eldeki veriler modele tanıtılarak kendini eğitmesi sağlandı ve test için ayrılan görüntüler ile test edildi. Bulgular: Geliştirilen model, eğitimde kullanılmayan 24 optik disk ödemi, 52 psödopapilödem ve 50 normal optik disk görüntüsüyle test edildi. Her grup için duyarlılık, özgüllük, doğruluk ve Receiver Operating Characteristic (ROC) eğrisi analizi ile eğri altında kalan alan (EAKA) hesaplamaları yapıldı. Modelin optik disk ödemini saptamadaki duyarlılığı %100, özgüllüğü %99, doğruluğu %99, EAKA 0,995 (%95 güven aralığı [GA]: 0,98-1); psödopapilödemi saptamadaki duyarlılığı %98, özgüllüğü %97, doğruluğu %98, EAKA 0,983 (%95 GA: 0,96-1); herhangi bir optik disk ödemi veya psödopapilödem bulgusu olmayan normal optik diskleri saptamadaki duyarlığı; %96, özgüllüğü %100, doğruluk oranı %98, EAKA ise 0,973 (%95 GA: 0,94-1) olarak bulundu. Sonuç: Elde edilen sonuçlar, optik disk patolojilerinin tanısı için geliştirilen DÖ modelinin optik disk ödemi ve psödopapilödem saptanmasında yüksek etkinlikte kullanılabileceğini göstermektedir. YKY görüntüleme yapabilen OKT cihazlarına, benzer YZ modellerinin entegrasyonu ile optik disk patolojilerine ait tanılar elde edilebilir. Modelin geliştirilebilmesi için diğer görüntüleme yöntemleriyle desteklenmesine ve daha fazla sayıda görüntüye ihtiyaç vardır. Anahtar kelimeler: Yapay zeka, Derin öğrenme, Optik disk ödemi, Psödopapilödem, Yakın kızılötesi yansıma
Daimi dentisyonda mandibular ikinci molar dişlerin kök oluşum seviyelerinin yapay zekâ ile değerlendirilerek çekim endikasyonu olan birinci molar dişlerin ideal çekim zamanının belirlenmesi
Daimi birinci büyük azı dişleri en fazla çürük görülen dişlerdir ve genelde buna bağlı olarak sergiledikleri zayıf prognoz nedeniyle erken yaşlarda kaybedilmektedir. Birinci azı dişlerinin çekimi için uygun zamanın tayin edilmesi çocukların fiziksel gelişimi için önemlidir. Dişlerin kalsifikasyon aşamalarını sınıflandıran Demirjian metodunda E safhası daimi birinci büyük azı dişlerinin çekim kararı için ideal bir zamandır ve çocuklarda 8-10 yaş aralığına tekabül eder. Bu tez çalışmasında daimi dentisyonda çekim endikasyonu olan mandibular birinci büyük azı dişlerin ideal çekim zamanının belirlenmesinde; mandibular ikinci büyük azı dişlerin Demirjian metoduna göre gelişim safhalarının panoramik radyografiler üzerinden yapay zekâ programına öğretilmesi ve buna bağlı olarak ideal çekim zamanının yapay zekâ uygulaması tarafından belirlenebilirliği değerlendirilmiştir. Tez çalışmamızda evrişimli sinir ağları kullanılarak Demirjian metodu kalsifikasyon aşamalarının, yapay zekâ ve derin öğrenmeye dayalı bir modelle otomatik olarak sınıflandırılabilmesi amaçlandı. Bu çalışmada 1106 adet panoramik radyografi üzerinde 37 ve 47 numaralı dişlerin segmentasyon ve detection yöntemleri ile etiketlemesi yapıldı. Görüntüler üzerinde dişlerin etiketlenmesinde CranioCatch etiketleme yazılımı (CranioCatch, Eskişehir, Türkiye) kullanıldı. Demirjian metodunun A-H'a kadar 8 safhası için 8 adet veri seti oluşturuldu. YOLOv5 modeli kullanılarak eğitildi. Detection yönteminde yaklaşık olarak 0, 990 duyarlılık, 0,917 kesinlik ve 0,952 F1 skoruna sahip sonuçlar elde edilirken, segmentasyon yönteminde 0,985 duyarlılık, 0,921 kesinlik, 0,952 F1 skoru sonuçları elde edildi. Çalışmamızın sonuçlarına göre geliştirilen derin öğrenme modellerinin; daimi birinci büyük azı dişlerin ideal çekim zamanını belirlemek için kullandığımız Demirjian metodunun safhalarını tespit/tahmin etmedeki başarılı olduğu görülmüştür.
Classification of skin cancer with deep transfer learning method
Skin cancer is a significant threat to human health. The key solution to completely treating skin cancer patients is early detection of lesions, which are the basis of skin cancer. With the advancement of artificial intelligence technology, significant progress has been made in developing automated approaches to help dermatologists detect skin cancer. In this study, eight different transfer learning networks are examined on the International Skin Imaging Collaboration (ISIC) dataset (64000 images) for the classification of skin cancer. The models used in the study are DenseNet121, Xception, InceptionResNetV2, ResNet50, Inception, EfficentNetB6, VGG16, and MobileNetV2 which were successful in various studies recently. In the preprocessing part of the study, the dataset is split into three parts training, validation, and testing. The results of the study showed that some transfer learning models are appropriate for classification success, with high classification accuracies. With an accuracy rate of 99.6%, the finetuned DenseNet121 model outperformed all other pre-trained models used in the study. In addition, when the ensemble learning method was applied with the best three models (DenseNet121, MobileNetV2, and Xception), 99.96% accuracy was obtained.
Design of a new biometric system based on hand geometry images using deep learning methods
Dorsal hand vein patterns are unique to each individual, making them a promising tool for accurate identity recognition. This thesis focuses on biometric analysis of human identification. The tecnocampus hand image dataset is used to validate feature extraction methods on dorsal hand images. The study compares and analyzes three Convolutional Neural Network CNN architectures: ResNet-50, GoogleNet, and SqueezeNet, which offer distinct approaches to feature extraction. It evaluates the performance of each method by applying them to a dataset. Based on the analysis, the most effective features are selected from the respective architectures. By leveraging the robustness of assessed CNN architectures and harnessing the power of Euclidean distance, the proposed approach achieves remarkable outcomes in the realm of image recognition. It uses feature vectors to measure similarity between dorsal images, and uses Euclidean distance to measure the similarity between feature vectors. This allows the algorithm to accurately identify and match hand vein patterns with high accuracy. With an overall accuracy of 97.32%, this research has significant implications for the field of biometric identification and could serve as a valuable foundation for future advancements in this area.
Efficiency of stacked ensemble learning for student's adaptivity classification to online education
It is necessary to know the extent to which students adapt to online learning, especially after the Corona pandemic. Online and e-learning have become essential parts of the educational process. It is important to try to improve students' adaptation to this type of education to obtain the best results. Expanding existing knowledge of students' ability to adapt to online learning is the aim of this study. Machine learning techniques have been exploited to develop various models and compare their results in order to obtain the best technology and the most powerful model that can be used to improve the educational process. Four different models were developed, each model contained algorithms for a type of machine learning (Bagging, boosting, and Stacking), in addition to a model that contained a variety of algorithms (single and ensemble learning). These models used four methods of selecting features, which are: Relief F, ANOVA, Information Gain, and Chi-square. K = 10-fold was used with classifiers in all models in this study. The accuracy reached 0.866 % by Gradient Boosting algorithm using the Chi-square technique. While the highest value of accuracy obtained by the stacked learning by employing Boosting classifiers in level-0 and Logistic Regression in level-1 using the Chi-square technique was 0.874%.