2
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
İletişim protokolleri ile uzaktan kontrol edilebilen termal görünmezlik cihazının geliştirilmesi
Robotlar insan hayatını kolaylaştırmak ve insanları belli tehlikelerden korumak üzere geliştirilen, belli durumlarda belirlenmiş görevleri yapan ya da görev icraları esnasında karşılaştıkları farklı durumlara karşı, yapay zekâ öğrenmeleri sayesinde farklı çözüm yolları üreterek sorunları çözebilen makinelerdir. Robotları bir evin temizliğini yapmak gibi basit işlemleri yaparken görebildiğimiz gibi savaş sahasında iki farklı devletin çıkarlarını korumak gibi oldukça kritik, oldukça tehlikeli ve bir o kadar da zor görevleri icra ederken de görebiliriz. Savaş sahalarındaki robotların görevleri düşünüldüğünde akla ilk olarak savunma veya saldırma işlevi gelir. Fakat savaş esnasında bu görevler çok önemli olarak görülmesine rağmen saldırı ve savunma yapmak için gerekli olan bilgileri toplamak, veriler elde etmek ve bölgenin keşfini yapmak da bir o kadar önemli ve gereklidir. Veri toplama ve keşif yapma işlemi istihbarat toplama faaliyetleri kapsamında ajanlar veya özel olarak yetiştirilmiş görevliler tarafından yapılmaktadır. Bu işlemler için özel yetiştirilmiş personele ihtiyaç duyulduğu gibi aynı işlemleri robotlara yaptırmak için de özel olarak geliştirilmiş robotlara ihtiyaç duyulmaktadır. Bu tezde paletli tank modelli, kameralı ve yaklaşık bir km mesafeden bir operatör aracılığıyla uzaktan kumanda ile kontrol edilebilen ve aynı zamanda kullanılan termoelektrik modüller sayesinde termal kamera ile bakıldığında tespit edilemeyen bir mobil keşif robotu geliştirilmiştir. Termal kamuflaj işlemi robotta bulunan sıcaklık sensörü sayesinde ortamdan alınan sıcaklık verisine göre robot tarafından otomatik olarak yapılmıştır. Keşif robotunun aracında ve kumandasında Arduino geliştirme kartları kullanılmıştır. Kumanda ile araç arasında veri iletişimi için nRF24l01+ PA/LNA modülleri, araç üzerindeki kamera için ise ESP32-CAM modülü kullanılmıştır. Aracın termal kamuflajı için termoelektrik modüller kullanılmıştır. Mobil robotun tasarımının tamamlanmasından sonra termal kamuflaj ve hedeflenen mesafeden video veri toplama işlevini başarıyla yerine getirmiştir.
Yapay zeka teknikleri kullanılarak göğüs ultrason tekniklerinin sınıflandırılması
Bu çalışmada, meme kanseri teşhisinde ultrason görüntülerini kullanarak iyi ve kötü huylu lezyonları ayırt etmek amacıyla çeşitli önceden eğitilmiş konvolüsyonel sinir ağı (CNN) modelleri kullanılarak bir sınıflandırma sistemi geliştirilmiştir. Araştırmada temel olarak, Ultrasound Breast Images for Breast Cancer (UBIBC) veri setinden elde edilen 9.016 ultrason görüntüsü kullanılmıştır. Veri seti, dengeli bir şekilde 4.074 benign ve 4.042 malign eğitim görüntüsü ile 500 benign ve 400 malign test görüntüsünden oluşmaktadır. Görsellerin orijinal boyutu 700×460 piksel olup, tüm görüntüler modellerle uyumlu olacak şekilde 224×224×3 boyutuna yeniden boyutlandırılarak normalize edilmiştir. RGB renk kanallı ve 8-bit derinlikteki bu görseller, eğitim öncesi önişlem sürecinden geçirilmiştir. Modelleme aşamasında ResNet50, DenseNet121, EfficientNetB0, MobileNetV3 ve ShuffleNetV2 gibi farklı CNN mimarileri kullanılmış; transfer öğrenme yöntemi ile bu modellerden öznitelikler çıkarılarak çeşitli denetimli makine öğrenmesi sınıflandırıcıları (KNN, Cubic SVM, Linear Discriminant vb.) ile sınıflandırma gerçekleştirilmiştir. Deneysel çalışmalar Google Colab ortamında, T4 GPU desteğiyle Python programlama dili kullanılarak yürütülmüştür. Modellerin performansları doğruluk (accuracy), hassasiyet (precision), duyarlılık (recall), F1 skoru, eğitim süresi ve tahmin hızı gibi metrikler ile karşılaştırılmıştır. Elde edilen sonuçlara göre, EfficientNetB0 + Cubic SVM mimarisi %96.73 doğruluk oranı ile yüksek başarı gösterirken, ResNet50 + KNN (Fine) modeli %96.18 doğruluk ile öne çıkmıştır. Ayrıca, hafif yapılı MobileNetV3 + ShuffleNetV2 mimarilerinin birleştirilmesiyle çıkarılan öznitelikler, KNN Fine sınıflayıcıyla %98.12 doğruluk oranına ulaşarak çalışmanın en başarılı sonuçlarını üretmiştir. Bu birleşim hem yüksek sınıflandırma başarısı hem de düşük eğitim süresi (0.01 sn) ile dikkat çekmektedir. ROC eğrileri incelendiğinde, tüm modellerin AUC değerlerinin 0.95'in üzerinde olduğu ve özellikle yanlış negatif oranlarının çok düşük olduğu gözlemlenmiştir. Bu durum, tıbbi uygulamalar açısından modelin güvenilirliğini desteklemektedir. Sonuç olarak, farklı CNN mimarileriyle çıkarılan özniteliklerin klasik makine öğrenmesi sınıflandırıcılarıyla sınıflandırılması, ultrason görüntüleri üzerinden meme kanseri teşhisinde oldukça başarılı sonuçlar vermektedir. Özellikle MobileNetV3 + ShuffleNetV2 + KNN Fine kombinasyonu, mobil ve düşük kaynaklı tıbbi sistemlerde kullanılabilecek düzeyde hafif, hızlı ve yüksek doğruluklu bir çözüm sunmaktadır. Bu çalışma, derin öğrenme tabanlı teşhis sistemlerinin, geleneksel yöntemlere kıyasla daha doğru, hızlı ve uygulanabilir alternatifler sunabileceğini ortaya koymaktadır. Gelecekte, modelin daha büyük ve çeşitli veri kümelerinde denenerek genellenebilirliği artırılması hedeflenmektedir. ANAHTAR KELİMELER: CNN, Derin Öğrenme, Meme Kanseri, Sınıflandırıcılar, Yapay Zeka