32
Archived Theses
2
DOIs Assigned
6%
DOI Rate
Discipline
indexedOpen AccessTRAkıllı üretim sistemlerinde çoklu hata teşhisi için hibrit derin öğrenme yaklaşımları
Endüstriyel üretim süreçlerinde akıllı sistemlerindeki ürünün yüzey arızalarının erkenden teşhis edilmesi, kalite kontrol süreçleri otomasyonu, maliyetlerin azaltılması ve kalite standartlarının korunması açısından kritiktir. Akıllı üretim sistemlerinde çoklu hata teşhisi ile birbirinden farklı türdeki arızaların saptanması sağlanmaktadır. Endüstri 4.0 ile üretim hatlarında veri miktarının artması sonucunda, klasik makine öğrenmesi yaklaşımları ile arızanın teşhis edilmesi yetersiz olması sonucunu doğurmuştur. Bu durumda, daha gelişmiş analiz yöntemlerine ihtiyaç artmıştır. Bu kapsamda bu tezde, hibrit derin öğrenme mimarileri ile farklı türdeki arızalı veri örneklerinin sınıflandırılması yüksek doğruluklarla sağlanmıştır. Bu tezde, metal ve kumaş yüzeylerde meydana gelen çoklu kusurların belirlenmesi için hibrit derin öğrenme yaklaşımları incelenmiştir. Önerilen yöntemde, farklı derin öğrenme mimarileri birlikte kullanılarak hem nesne tespiti hem de segmentasyon işlemleri gerçekleştirilmiştir. Bu çalışmada, arızalı görüntülerden elde edilen özellikler konvolüsyonel sinir ağları ile çıkarılmış, ardından bu özellikler farklı sınıflandırıcılar ile analiz edilmiştir. Sınıflandırma aşamasında kullanılan derin mimariler Vision Transformer (ViT) ve dikkat tabanlı derin sinir ağları gibi yenilikçi yaklaşımlardır. Gerçekleştirilen deneysel çalışmalar sonucunda görülmüştür ki önerilen yöntem farklı tipteki arızaları yüksek performans elde edilmiştir. Bu çalışma, akıllı üretim sistemlerinde kalite kontrol süreçlerinin iyileştirilmesine katkı sağlamaktadır.
indexedOpen AccessTRGöğüs röntgeni görüntülerinden zatürre tanısında derin öğrenme tabanlı yaklaşımların performans analizi
Göğüs röntgeni görüntülerinden zatürre tanısı, düşük maliyetli ve yaygın kullanılabilir olması nedeniyle klinik uygulamalarda önemli bir yere sahiptir. Bununla birlikte derin öğrenme tabanlı yöntemlerin yüksek performans elde edebilmesi genellikle büyük miktarda etiketli veriye ihtiyaç duymakta, bu durum ise tıbbi görüntü analizinde önemli bir kısıt oluşturmaktadır. Bu tezde, az etiketli veri koşullarında göğüs röntgeni görüntülerinden zatürre tanısına yönelik derin öğrenme ve geleneksel makine öğrenmesi yaklaşımlarının performansları kapsamlı olarak değerlendirilmiştir. Bu amaçla ConvNeXt-Tiny mimarisi temel alınarak geliştirilen Hibrit Prototip Füzyon Ağı (Hybrid Prototype Fusion Network-HPFN) önerilmiş ve derin öznitelik temsili ile prototip tabanlı benzerlik hesaplaması tek bir karar mekanizmasında birleştirilmiştir. Ayrıca önerilen model; Xception, VGG16 ve ResNet50 mimarileri ile karşılaştırılmış, bunun yanında SIFT, KAZE ve HOG öznitelikleri kullanılarak Destek Vektör Makineleri, Lojistik Regresyon ve Aşırı Gradyan Artırma sınıflandırıcılarından oluşan geleneksel yaklaşımlar da aynı veri seti üzerinde analiz edilmiştir. Tüm deneyler Chest X-Ray (Pneumonia) veri seti kullanılarak gerçekleştirilmiş ve modeller doğruluk, kesinlik, duyarlılık ve F1-Skoru ölçütleri ile değerlendirilmiştir. Deneysel sonuçlar, önerilen HPFN modelinin %96,38 doğruluk, %96,23 kesinlik, %97,95 duyarlılık ve %97,08 F1-Skoru elde ederek hem karşılaştırılan derin öğrenme mimarilerinden hem de geleneksel öznitelik tabanlı yöntemlerden daha başarılı performans sergilediğini göstermiştir. Literatür karşılaştırmaları da önerilen yaklaşımın az etiketli veri koşullarında güvenilir, dengeli ve yüksek doğruluk sağlayan etkili bir bilgisayar destekli tanı yöntemi olduğunu ortaya koymuştur.
Doğal dil işleme ile terör tehdit unsurlarının tespit edilmesi
Günümüz dünyasında milyonlarca verinin anlaşılır hale getirilmesi önem kazanmıştır. Özellikle bu veriler kullanılarak suç teşkil eden konularda daha hızlı adımlar atılabilmesi için veri analizinin hızlı yapılabilmesi gerekmektedir. Bu kapsamda yapay zeka biliminin doğal dil işleme yöntemi ile gerçekleştirilen duygu analizi, olası can ve mal kayıplarının ortadan kaldırılmasına imkân sağlamaktadır. Ayrıca olası terör bölgelerinde bütün telsiz frekansları aynı anda dinlenerek terör örgütlerinin saldırıları doğal dil işleme yöntemleri ile analiz edilerek saldırı gerçekleşmeden engellenebilir. Bu yüksek lisans tez çalışmasında, terör tehdit unsurlarının tespiti için sanal ortamdaki metin, ses ve görüntü verilerinin analizinde yapay zeka biliminin doğal dil işleme yöntemleri kullanılmıştır. Böylelikle terör bölgelerinde terör unsurlarının görüşmelerinin analizi yapılarak, özellikle kolluk kuvvetlerinin sağlıklı müdahalesi ve can güvenliğinin sağlanması amaçlanmıştır. Tez çalışmasında doğal dil işleme bilimi ile ilgili kavramsal yapı ve doğal dil işleme yöntemleri detaylı bir şekilde ele alınmıştır. Ele alınan yöntemler ile modeller oluşturulup sonuçlar sunulmuştur.
Yalın üretim ve yapay zeka teknikleri ile üretim süreçlerinin analizi ve iyileştirilmesi
İşletmeler, günümüz küreselleşen dünyada artan maliyetler ve dijitalleşme sonucu değişen rekabet koşullarına karşı ayakta kalabilmek için karşılaştıkları çeşitli sorunlara etkin çözümler üretip karar vermek zorundadırlar. Bu bağlamda Tedarik Zincirini doğru yönetmek çok önemlidir. Sürprizlerle karşılaşmamak, maliyetleri önceden belirleyip öngörmek ve bu öngörüleri tutarlı kılmak tahmin ile mümkün olur. Talep tahminlerinin yüksek doğrulukla elde edilmesi, tüm tedarik zinciri yönetimi süreçlerinin başarısı için kilit bir faktördür. Bu çalışmada içecek sektöründe faaliyet gösteren bir işletme ele alınmıştır. Firmanın 2018-2021 satış verileri ele alınarak araştırmaya dahil edilmiştir. İlk aşamada yalın üretim teknikleri ile mevcut durum analizi yapılarak iyileştirmeler sunulacaktır. Talep tahmini ile gelecek durumu tahmin ederek süreçleri daha etkin planlamak hedeflenecektir.
Bilgisayarlı tomografi (BT) görüntülerinden akciğer kanser hücrelerinin yapay zeka teknikleri ile bulunması
Akciğer kanseri, dünya genelinde yüksek ölüm oranlarına sahip ölümcül bir hastalık olarak öne çıkmaktadır. Erken teşhis, hastalığın etkili bir şekilde tedavi edilebilmesi açısından kritik bir öneme sahiptir. Bu çalışma, akciğer kanserinin erken teşhisinde yapay zekâ tekniklerinin rolünü incelemekte ve sağladığı avantajları vurgulamaktadır. Bu bağlamda, yapay zekâ destekli teşhis sistemlerinin, radyologların iş yükünü azaltarak doğruluk oranlarını artırma potansiyeli, akciğer kanseri teşhisindeki yöntemleri önemli ölçüde iyileştirebileceği öngörülmektedir. Bu çalışmada, Evrişimli Sinir Ağları (CNN) ve YOLO algoritması kullanılarak gerçekleştirilen akciğer kanseri teşhisinde elde edilen sonuçlar değerlendirilmiştir. Hem CNN hem de YOLO modelinin medikal görüntüler üzerindeki başarısı, 6 farklı veri seti üzerinden karşılaştırılarak analiz edilmiştir. Tüm veri setleri arasında, CNN modeli için en yüksek F1-Skoru %99,85 ile histogram eşitleme ve kontrast sınırlı uyarlanabilir histogram eşitlemesi yapılan veri seti üzerinde elde edilmiştir. YOLO modeli için ise yine aynı ön işleme tekniği uygulanan veri setinde en yüksek F1-Skoru %96 olarak elde edilmiştir.
Görüntü işleme ve derin öğrenme tabanlı bitkisel tarım ürünlerinde hastalık tespiti
Küresel ve yerel düzeydeki iklim değişiklikleri ve kuraklık koşulları sürdürülebilir tarım uygulamalarının önemini arttırmıştır. Bu çalışmada, yapay zeka ve derin öğrenme teknolojilerinin, mısır ve buğday gibi tarım ürünlerindeki bitki hastalıklarının tespiti ve ürünlerde oluşabilecek verim kayıplarının önlenmesinde etkili araçlar olarak kullanılabilirliği incelenmiştir. Mısır ve buğdayın büyüme dönemlerinde, bitkilerin sağlığını belirleyen önemli bir faktör de hastalıklı yaprakların tespitidir. Bu çalışmada, mısır için 4.188 adet, buğday için ise 977 adet görüntü kullanılarak yapay zeka tabanlı sınıflandırma modelleri geliştirilmiştir. Mısırda "Residual Network (ResNet)" modeli, buğdayda ise "You Only Look Once (YOLO)" modelleri kullanılarak sınıflandırma işlemleri gerçekleştirilmiştir. Mısır için ResNet50 ile %85,30, ResNet101 ile %94,56 ve ResNet152 ile %94,14 oranında doğruluk sağlanmıştır. Buğdayda ise YOLOv5s ile %68,9 kesinlik ve %70,4 duyarlılık, YOLOv8 ile %95,4 kesinlik ve %88 duyarlılık ayrıca %93,4 mAP50 (ortalama doğruluk) oranlarına ulaşılmıştır. Çalışmada ek olarak ResNet-50/101/152 ve YOLO-v5s/v8 modellerinin karşılaştırmalı analizi sunularak, mısır için ResNet101 modelinin ve buğday için YOLOv8 modelinin benzer veri setleriyle kıyaslandığında en yüksek başarı oranlarına ulaşıldığı ortaya koyulmuştur.
Makine öğrenmesi yöntemleri ile enerji verimliliği kapsamında elektrik tüketim tahmini: Erzincan ilinde bir uygulama
Enerji bir ülke için sadece ekonomik değil politik ve çevresel unsurlar için de çok önemlidir. Teknolojik gelişmeler ve refah seviyesinin artmasıyla enerji tüketimi artmıştır. Enerjiye olan ihtiyacın artmasıyla birlikte enerji yönetimi kavramı ortaya çıkmıştır. Önemli enerji kaynaklarından biri de elektrik enerjisidir. Tüm dünyada olduğu gibi ülkemizde de enerji bilinci oluşturulmak için çalışmalar yapılmaktadır. Ülkemizde ortaya konulan enerji politikalarıyla enerjinin verimli kullanılması hedeflenmektedir. Enerji yönetimi sanayi kuruluşları, endüstriyel işletmeler, ticarethaneler ve kamu kurumlarını kapsamaktadır. Kamu kurumları içerisinde okullar önemli bir yer edinmektedir. Gelecekte yapılacak elektrik tüketiminin bilinmesi enerji yönetimi için stratejiler geliştirmeye yardımcı olacaktır. Geleneksel yöntemlerle yapılan tahminlerdeki sınırlamalar ve sorunların üstesinden gelmek için veri madenciliği tekniklerinden faydalanılabilir. Veri madenciliği sayesinde eldeki verilerden anlamlı bilgiye ulaşmak mümkündür. Bu tez çalışmasında makine öğrenmesi yöntemleri kullanılarak Erzincan ilindeki ilköğretim okullarının 2016-2022 yılları arasındaki verileri kullanılarak elektrik tüketimleri tahmin edilmeye çalışılmıştır. Çalışmanın enerji yönetim birimlerine örnek olacağı düşünülmektedir.
Twitter'da yanlış bilgi ve dezenformasyon tespiti için yapay zeka tekniklerinin kullanılması ve karşılaştırılması
Bu çalışma, sosyal medya platformu Twitter'daki yanlış bilgileri tespit etmek için bir dizi yapay zeka (AI) tekniğini incelerek yanlış bilgi ve sahte haberlerin kamusal söylem üzerindeki potansiyel etkisine ilişkin yaygın bir sorunu ele almaktadır. Aldatıcı ve güvenilir içeriği ayırt etmek için Uzun Kısa Süreli Bellek (LSTM), Destek Vektör Makinesi (SVM), Rastgele Orman (RF), Gauss Naive Bayes (GaussianNB), Gradyan Arattırma (GBoost), Karar Ağacı (DT), Lojistik Regresyon (LR), Aşırı Gradyan Arattırma (XGBoost) ve K-En Yakın Komşular (K-NN) dahil olmak üzere çeşitli modeller kullanılmıştır. Analizde doğal dil işleme (NLP), derin öğrenme (DL) ve makine öğrenimi (ML) teknikleri kullanılarak 23481 sahte tweet ve yaklaşık 21418 gerçek tweetten oluşan bir veri seti kullanılarak her bir modelin yanlış bilgi kalıplarını tespit etmedeki etkinliği gösterilmiştir. Çalışma, özellikle doğruluk, verimlilik ve ölçeklenebilirliğe odaklanarak, bu AI sistemlerinin güçlü yönlerinin ve sınırlamalarının kapsamlı bir değerlendirmesini sunmaktadır. Sonuçlar, XGBoost'un %99.82 doğruluk ve %99.81 F1 puanı ile en iyi performansı sergilediğini göstermektedir. Bunu %99.63 doğruluk ve %99.62 F1 puanı gösteren (GBoost) ve %99.61 doğruluk ve %99.59 F1 puanı ile (DT) takip etmektedir. Sonuçlar bu modellerin en etkili modeller olduğunu göstermektedir. Diğer modeller %99.31 ile %81.63 arasında değişen doğruluk gösterirken, sonuçlar ana modellerin performansına dair fikir vererek dezenformasyonla mücadeleye ve bilginin güvenilirliğine önemli katkı sağlamaktadır.
Çelik boru kaynaklarında NDT filmlerin görüntü işleme yöntemleri ile kontrolü
Daha sonra doldurulDoğalgaz, su ve petrol hatları başta olmak üzere otomotiv, havacılık, tersane, savunma sanayi gibi birçok sektörde çelik malzemelerin birbirlerine birleştirilmesi işlemi kaynaklarla yapılmaktadır ve bu kaynaklarda ki hataların tespitinde tahribatsız muayene yöntemleri (NDT- Non Destructive Testing ) kullanılmaktadır. Tahribatsız Muayene yöntemleri ile kaynakların güvenirliliği ve kalitesi hızlı ve uygun maliyetli bir şekilde elde edilir. Tahribatsız muayene yöntemlerinden biri olan Radyoaktif muayene (RT - Radyografik Muayene Testi) kısa dalga boylu yüksek enerjili elektromanyetik dalgaların, muayenesi yapılacak olan parçaya zarar vermeden içine nüfuz edip içyapısının, hatalı kısımlarının, radyografik film üzerine görüntü alınmasını sağlayan en popüler tahribatsız muayene yöntemidir. Bu çalışmada RT filmlerinden alınan görüntülerde kusurları belirlemede NDT Uzmanlarına yardımcı olmak için seçilen görüntü işleme algoritmaları ile gözden kaçabilecek kusurların tespiti amaçlanmıştır. RT deneyleri ile alınan görüntüler yazılıma aktarılmış ve önerilen yöntemlerle analiz edilmiştir. Elde edilen çalışmalar, önerilen yöntemlerin operatöre hataların yorumlanmasında önemli katkılar sağlayabileceğini göstermesi amaçlanmıştır.acaktır.
Acil durum tabanlı telsiz konuşmalarındaki gürültülü ses verilerinin derin öğrenme yöntemleri kullanılarak tanımlanması
Ses, kişiler arası iletişimde kullanılan temel unsurdur ve özellikle acil durum iletişiminde hayati bir rol oynamaktadır. Acil durum iletişiminde, konuşma seslerinin anlaşılabilirliği hızlı ve doğru bilgi akışı için kritik öneme sahiptir. Geleneksel iletişim yöntemlerinin başarısız olduğu durumlarda, telsiz iletişimi bağımsız yapısı sayesinde güvenilir bir araç olarak öne çıkmaktadır. Telsiz iletişiminde karşılaşılan en büyük sorun gürültülü seslerin anlaşılamamasıdır. Son yıllarda öne çıkan derin öğrenme yöntemlerinin kullanımı, gürültülü seslerin doğru tanımlanması için büyük faydalar sağlamaktadır. Bu tez kapsamında, acil durum kontrollerinde kullanılmak üzere ses verilerini tanıyan derin öğrenme tabanlı yeni bir model geliştirilmiştir. Geliştirilen modelin eğitimi ve test edilmesi için çeşitli çevresel gürültü koşulları altında elde edilen telsiz kayıtları kullanılarak altı farklı Türkçe ses verisi içeren yeni bir veri seti hazırlanmıştır. Bu veri seti kullanılarak, geliştirilen modelle %96,40 başarı oranıyla altı farklı acil durum ses verisi tanımlanmıştır.
Derin öğrenme ve makine öğrenmesi tabanlı yüz ifadelerini tanımasistemi
İnsanlar arasındaki yüz yüze iletişimde kelimeler, ses tonu ve yüz ifadeleri verimli etkileşim açısından çok önemli bir konumdadır. Jestlerin ve yüz ifadelerinin kişilerarası ilişkiler üzerinde önemli bir etkiye sahip olduğu gözlemlenmektedir. Yüz ifadelerinden duygu tanıma işlemleri sayesinde tıp, eğitim, güvenlik başlıca olmak üzere birçok alanda çeşitli işlemlerde kolaylık sağlanmaktadır. Bu çalışma kapsamında, yüz ifadelerinden duygu tahmini işlemi gerçekleştirilen çalışmalardaki verimi artırmak amacıyla hibrit yaklaşım yöntemleri kullanılmıştır. Geliştirilen bu uygulama, öznitelik çıkarımı ve sınıflandırma olmak üzere iki adımdan oluşmaktadır. Bu tez çalışması kapsamında, ilk adımda SIFT, SURF, KAZE öznitelikleri SVM, XGB, RF, LR sınıflandırıcıları kullanılarak sınıflandırılmıştır. İkinci adımda ise CNN, ResNet50, VGG16 yöntemleri ile sınıflandırma işlemi yapılmıştır. Hibrit metotların ilk aşamasında derin öğrenme ve klasik makine sınıflandırıcılarının kendi aralarında kombinasyonel olarak kullanımıyla, SIFT, SURF, KAZE, ResNet50, VGG16 ile elde edilen öznitelikler SVM, XGB, RF, LR ve derin öğrenme metotları kullanılarak sınıflandırılmıştır. Hibrit metotların ve çalışmanın son aşamasında ise Hessian dedektörü ile tespit edilen anahtar nokta konumlarına SIFT tanımlayıcı inşa edilerek elde edilen hibrit öznitellik (HessianSIFT), SVM, XGB, RF, LR sınıflandırıcıları ile sınıflandırılmıştır. Elde edilen deney sonuçlarına göre, ResNet50 ve SVM'nin birlikte kullanılmasıyla yüz ifadelerinden tespit edilen duyguların tanıma başarısı %100 olarak belirlenmiştir.
Yer etkili hava aracının modellenmesi ve yükseklik kontrolü
Bu çalışmanın amacı, kanatları ile yer arasındaki aerodinamik etkileşimden yararlanarak okyanus ve deniz gibi yüzeylerde uçabilen araçları kapsamlı bir şekilde incelemek ve böyle bir aracın yükseklik kontrolünü simülasyon ortamında gerçekleştirmektir. Bu araçlar, normal uçaklara kıyasla daha verimli ve daha hızlı çalışmaları ile öne çıkmaktadır. Su yüzeyinin üzerinde bir gemi gibi hareket eden bu araçlar, gemilerin hızından çok daha yüksek hızlara ulaşabilmektedir. Ayrıca iniş ve kalkış için piste ihtiyaç duymamaları, hem su hem de kara yüzeyinde operasyonel olmalarını sağlamaktadır. Bu tür araçlarda uçuş sırasında meydana gelebilecek arızalar durumunda, yolcular için risk düzeyi normal uçaklara göre daha düşük kalmaktadır. Araç, kıyı şehirleri arasında bir ulaşım aracı olarak kullanılmasının yanı sıra askeri amaçlarla da değerlendirilebilir. Çalışmada, yer etkisinin en verimli şekilde kullanılabilmesi amacıyla geliştirilen araç modeline yükseklik kontrolü uygulanmıştır. Bu kapsamda, alçak geçiren filtre görevi gören ve sistemdeki yüksek frekanslı gürültüyü filtreleyebilme özelliğine sahip bir PI (Proportional-Integral) kontrolör test edilmiştir. Simülasyon sonuçları, önerilen kontrolörün performansını ortaya koymaktadır.
Afet yönetimi için sahra hastanelerinin, geçici barınma alanlarının ve toplanma noktalarının entegre olarak yer seçimi optimizasyonu
Doğal afetler, can ve mal kaybına sebebiyet veren, çoğunlukla insan kontrolü dışında gerçekleşen ve önlenmesi zor olaylardır. Dünyanın her tarafında zaman zaman doğal afetler meydana gelmektedir. Meydana gelen bu afetler sonucunda maddi ve manevi birçok kayıp gerçekleşebilmektedir. Toplanma ve geçici barınma alanları ile sahra hastanelerinin yerlerinin belirlenmesi, bu afetler sonucunda yaralıların hastanelere sevki doğal afet yönetiminde kilit konulardır. Toplanma alanlarının afet öncesinde belirlenmesi afet sonrasında yaşanacak panik ortamının engellenmesini sağlayacaktır. Doğru yerlere kurulacak olan geçici barınma alanları afetten etkilenen vatandaşların barınma ihtiyaçlarının karşılanması için önem arz etmektedir. Olası bir deprem sonucu oluşabilecek yaralı sayısı hastanelerde hızlı müdahaleyi zorlaştırabilmektedir. Yaralılara en kısa sürede tıbbi müdahalede bulunulması gerekmektedir. Bu çalışmada, olası bir afet durumunda sahra hastanesi, geçici barınma ve toplanma alanlarının yerlerinin belirlenmesi problemleri bir arada ele alınarak stokastik optimizasyon yöntemi ile çözülmüştür. Bu kapsamda, Erzincan ili için olası deprem senaryolarına göre vaka çalışması yapılmış ve farklı senaryolar üzerinden stokastik optimizasyon yöntemi kullanılarak en uygun yerler belirlenmiştir.
Yapay zeka teknikleri ile yazılım test faaliyetlerininincelenmesi ve yazılım kalite tahmini
Bu tez çalışması, yazılım test süreçlerinin kaliteyi artırmadaki belirleyici rolünü vurgulayarak, bu süreçlerin yapay zekâ ve makine öğrenmesi teknikleriyle nasıl daha verimli, öngörülebilir ve stratejik şekilde yönetilebileceğini göstermeyi amaçlamaktadır. Dijitalleşmenin hızlanmasıyla birlikte yazılım projelerinde işlevselliğin yanı sıra güvenilirlik, sürdürülebilirlik ve kullanıcı memnuniyeti gibi kalite unsurları önem kazanmakta; bu durum test süreçlerinin planlanması ve yürütülmesini yazılım kalitesinin ana unsurlarından biri hâline getirmektedir. Geleneksel yöntemlerin sınırlılıklarını aşmak için geliştirilen bu çalışmada, yazılım firmalarında görev yapan test mühendislerinden elde edilen anket verileri üzerinden çeşitli makine öğrenmesi algoritmaları uygulanmış, yazılım test süreçlerine ilişkin kalite düzeyi öngörülerek sınıflandırma modelleri oluşturulmuştur. Elde edilen bulgular, geliştirilen modellerin yazılım test süreçlerinde karar vericilere destek olabilecek güvenilir çıktılar ürettiğini ve bu yaklaşımın hem akademik literatürde hem de sektörel uygulamalarda somut katkılar sağlayabileceğini ortaya koymaktadır.
Genetik algoritmaların bilimsel yayınlarda kullanımının metin madenciliği yaklaşımı ile bibliyometrik analizi
Genetik Algoritmalar (GA), optimizasyon ve problem çözme alanlarında yaygın bir şekilde kullanılmaktadır. Son yıllarda GA'ların farklı disiplinlerdeki uygulamalarına ilişkin bilimsel yayınlarda artış görülmektedir. Bu çalışma, GA'nın bilimsel yayınlarda kullanımını, konu modelleme tekniği ve biyometrik analiz yöntemlerinden olan VOSviewer ve R Studio kullanılarak incelenmiştir. Bibliyometrik analiz ile GA alanındaki bilimsel yayınların kapsamında yazarlar, kurumlar, iş birliği ağları, dergiler ve anahtar kelimeler ile ilgili parametre sonuçlarına ulaşılmıştır. Konu modelleme Latent Dirichlet Allocation ile terimler ve konu başlıkları ile kavramsal haritalar oluşturulmuştur. GA alanında Web of Science veri tabanında 1989-2025 yılları arasında 2143 yayın analiz edilmiştir. Analiz sonuçlarına göre GA'nın mühendislik, bilgisayar bilimi, yapay zekâ ve biyoinformatik gibi alanlarda yoğun olarak çalışıldığı görülmektedir. 1999 yılında yayın sayısında dikkat çekici bir artış yaşandığı tespit edilmiş ve bu artışın GA'nın farklı bilimsel alanlarda benimsenmeye başlanması ile ilişkilidir. Çin, Amerika Birleşik Devletleri, İspanya bu alanda en fazla yayın üreten lider ülkeler arasındadır. Türkiye'nin bu alandaki lider ülkelerle bağlantısı üretkenliği açısından anlamlı bir göstergedir. Çalışma, araştırmacılara GA'nın bilimsel gelişimi hakkında bütüncül bir bakış sunarken, gelecek çalışmalar için potansiyel araştırma temalarını da ortaya koymaktadır.
Yapay zeka tabanlı görüntü işleme teknikleri ile iş güvenliğinde kullanılan kişisel ekipmanların tespit edilmesi
Yapay zeka (YZ), günümüzde pek çok sektörde dönüşüm yaratan en önemli teknolojilerden biri haline gelmiştir. Özellikle bilgisayarla görme alanında yaşanan gelişmeler, gerçek zamanlı veri analizi ile insan hayatını doğrudan etkileyen çözümler sunmaktadır. Bu çalışmada, YZ destekli nesne tespiti teknikleri kullanılarak işçi güvenliğini artırmaya yönelik bir uygulama geliştirilmiştir. Araştırmada, Kaggle platformunda sunulan "Railroad Worker Detection Dataset" adlı veri seti kullanılarak, demiryolu işçilerinin kişisel koruyucu donanım (KKD) kullanıp kullanmadıkları, özellikle baret ve yelek takıp takmadıkları, gerçek zamanlı görüntüler üzerinden tespit edilmeye çalışılmıştır. Bu amaçla derin öğrenmeye dayalı YOLOv5, YOLOv7 ve YOLOv8 algoritmaları kullanılarak bu modellerin performansları karşılaştırılmış ve en uygun çözüm yöntemi belirlenmiştir. Elde edilen bulgulara göre, çalışmada ele alınan nesne tespiti modelleri farklı ortamlarda çalışan işçilerin konumlarını, üzerlerindeki güvenlik ekipmanlarının varlığını yüksek doğrulukla belirleyebilmekte ve böylece iş kazalarının önüne geçilmesine katkı sağlamaktadır. Bu çalışma, yalnızca akademik bir araştırma olmanın ötesinde, kullanılan yöntemlerin endüstride doğrudan uygulanabilirliği sayesinde güvenli çalışma ortamlarının oluşturulmasına destek olacak pratik çözümler sunmaktadır. Ayrıca, derin öğrenme temelli nesne tespiti algoritmalarının iş sağlığı ve güvenliği alanında ne denli etkin bir şekilde kullanılabileceğini de ortaya koymaktadır.
Dengesiz görüntü veri kümelerinde nesne tanıma için görsel transformatör tabanlı öznitelik çıkarma ve makine öğrenmesi sınıflandırıcılarını dayalı hibrit bir yaklaşım
Bu çalışma, Görsel Transformatör (Vision Transformer, ViT) modelinden elde edilen özniteliklerin klasik makine öğrenmesi sınıflandırıcıları olan LightGBM, AdaBoost, ExtraTrees ve Lojistik Regresyon ile birleştirilerek nesne tanıma performansının artırılmasını amaçlamaktadır. Araştırmada, Caltech-101 veri seti üzerinde gerçekleştirilen deneyler sonucunda farklı öznitelik çıkarıcı–sınıflandırıcı kombinasyonları karşılaştırılmıştır. Özellikle ViT ve Lojistik Regresyon kombinasyonu, önerilen yöntem olarak öne çıkmış ve %95,5 doğruluk ile %89,7 duyarlılık değerlerine ulaşmıştır. Bu sonuçlar, önerilen yaklaşımın mevcut son teknoloji yöntemlere kıyasla önemli ölçüde daha yüksek performans sergilediğini ortaya koymaktadır.Elde edilen bulgular, ViT modelinden çıkarılan özniteliklerin klasik sınıflandırıcılarla sentezlenmesinin nesne tanıma görevlerinde kayda değer ilerlemelere yol açabileceğini göstermektedir. Önerilen hibrit yöntem, derin öğrenme tabanlı otomatik öznitelik çıkarımının yüksek temsil gücünü; geleneksel makine öğrenimi sınıflayıcılarının anlaşılabilirliği ve düşük hesaplama maliyeti gibi avantajlarıyla birleştirerek doğruluk, işlem performansı ve genel sistem verimliliği açısından önemli iyileştirmeler sağlama potansiyeline sahiptir. Ayrıca, gerçek zamanlı analizler ve sınırlı donanıma sahip akıllı sistem uygulamaları için etkin bir çözüm alternatifi olarak öne çıkmaktadır.
Kaotik sistemle güçlendirilmiş hibrit RC4 ve RSA algoritmaları ile görüntü şifreleme: güvenlik ve performans analizi
Bu tez çalışması, dijital görüntülerin güvenliğinin sağlanmasında şifreleme algoritmalarının rolünü inceleyerek, özellikle kaotik sistemlerle güçlendirilmiş hibrit yaklaşımların güvenlik ve performans üzerindeki etkilerini ortaya koymayı amaçlamaktadır. Günümüzde bireysel ve kurumsal düzeyde artan veri güvenliği ihtiyacı, görüntülerin hem hızlı hem de güvenli bir şekilde korunmasını zorunlu hâle getirmekte; bu durum yeni nesil şifreleme yöntemlerinin geliştirilmesini gerekli kılmaktadır. Bu kapsamda, RC4 algoritması Logistic Map tabanlı kaotik bir sistemle birleştirilerek hibrit bir şifreleme yöntemi önerilmiş; ayrıca klasik RC4, AES ve kaotik AES algoritmaları ile karşılaştırmalı olarak değerlendirilmiştir. Çalışmada, renkli ve gri ölçekli görüntüler üzerinde şifreleme ve şifre çözme işlemleri gerçekleştirilmiş; elde edilen sonuçlar süre bazlı performans ölçütleri ile analiz edilmiş ve histogram, korelasyon ve entropi testleri aracılığıyla güvenlik değerlendirmeleri yapılmıştır. Elde edilen bulgular, RC4 algoritmasının işlem hızı açısından daha avantajlı olduğunu, buna karşın kaotik tabanlı hibrit yöntemlerin güvenlik metrikleri bakımından daha başarılı sonuçlar sunduğunu göstermektedir. Sonuçlar, kaotik hibrit şifreleme yaklaşımlarının görüntü güvenliği alanında daha dirençli ve güvenilir bir alternatif oluşturabileceğini ortaya koymakta; bu yönüyle çalışma hem akademik literatüre hem de pratik uygulamalara önemli katkılar sağlamaktadır.
Derin öğrenme yöntemleri kullanılarak çok modlu duygu analizi
Çok modlu duygu analizi; metin, ses ve görüntü gibi farklı veri türlerinin birlikte değerlendirilmesiyle duyguların daha kapsamlı biçimde incelenmesini sağlayan bir yaklaşımdır. Metin verilerinde dil yapısı ve kelime seçimi; ses verilerinde tonlama, vurgu ve ses perdesi; görsel verilerde ise yüz ifadeleri ve mimikler duygu durumunun anlaşılmasında önemli ipuçları sunmaktadır. Bu yöntem günümüzde sosyal medya analizinden sağlık, eğitim ve pazarlama gibi birçok alanda kullanılmaktadır. Bu çalışmada metin ve ses verileri birlikte ele alınarak çok modlu bir duygu analizi modeli geliştirilmiştir. Çalışmada MELD veri seti kullanılmış ve deneyler üç farklı etiketleme senaryosu altında gerçekleştirilmiştir: 3 duygu (negative, neutral, positive), 5 duygu (anger, sadness, joy, neutral, surprise) ve 7 duygu (anger, sadness, joy, neutral, surprise, fear, disgust). Metin modalitesi için önceden eğitilmiş RoBERTa modeli kullanılarak bağlamsal metin temsilleri elde edilmiş; ses modalitesi için ise kendi kendine denetimli öğrenme yaklaşımıyla temsil üreten HuBERT modeli tercih edilmiştir. HuBERT temsilleri MLP tabanlı bir sınıflandırıcı ile duygu sınıflandırma sürecine dâhil edilmiştir. Metin ve ses modaliteleri geç füzyon yaklaşımıyla karar düzeyinde birleştirilmiştir. Model performansı Weighted F1 (WF1) başta olmak üzere doğruluk, ROC eğrileri ve karışıklık matrisleri ile değerlendirilmiştir. Sonuçlar, geç füzyon modelinin tekil modellere kıyasla daha tutarlı performans sağladığını göstermiştir. WF1 değerleri 3, 5 ve 7 duygu senaryoları için sırasıyla 72, 66 ve 62 olarak elde edilmiştir
Derin öğrenme yöntemleriyle manyetik rezonans görüntülerinden beyin tümörlerinin sınıflandırılması
Bu tez çalışmasında, manyetik rezonans görüntülerinden (MRI) beyin tümörlerinin otomatik olarak sınıflandırılmasına yönelik derin öğrenme tabanlı bir tanı destek sistemi geliştirilmiş ve farklı evrişimli sinir ağı (CNN) mimarilerinin performansları karşılaştırmalı olarak değerlendirilmiştir. Çalışmada Kaggle platformunda paylaşılan Brain Tumor MRI Dataset veri seti kullanılmış olup glioma, meningioma, pituitary ve no tumor olmak üzere dört sınıfa ait toplam 7.023 görüntüden yararlanılmıştır. Araştırma kapsamında Keras Applications kütüphanesinde yer alan MobileNetV2, EfficientNetB0, VGG16, ResNet50 ve DenseNet121 modelleri transfer öğrenme yöntemiyle eğitilmiştir. Ayrıca, tez kapsamında özgün bir CNN mimarisi tasarlanmış ve MobileNetV2 ile bu Özgün CNN modelinin özellik çıkarım yeteneklerini birleştiren hibrit bir mimari geliştirilmiştir. Tüm modeller aynı ön işleme adımları, veri artırma teknikleri ve eğitim parametreleri kullanılarak adil bir biçimde karşılaştırılmıştır. Normal eğitim sonuçlarına göre en yüksek doğruluk %90,31 ile Özgün CNN modeli tarafından elde edilirken, hibrit model %85,51 doğruluk ile ikinci sırada yer almıştır. ResNet50, MobileNetV2 ve DenseNet121 modelleri sırasıyla %83,79, %80,40 ve %79,63 doğruluk değerleri üretmiştir. VGG16 modeli %73 doğruluk sağlarken, EfficientNetB0 yalnızca %30,89 doğruluk ile en düşük performansı göstermiştir. Model genellenebilirliğini değerlendirmek amacıyla beş katlı çapraz doğrulama yöntemi uygulanmıştır. Bu sonuçlara göre hibrit model %93,15 ortalama doğruluk ve %93,08 F1-skoru ile tüm modeller arasında en başarılı yapı olmuştur. Özgün CNN modeli ise %92,72 ortalama doğruluk değeri ile ikinci sırada yer almıştır. ResNet50, MobileNetV2, DenseNet121 ve VGG16 modelleri sırasıyla %91,20, %89,12, %87,74 ve %82,28 ortalama doğruluk değerleri elde etmiştir. EfficientNetB0 modeli çapraz doğrulamada da yalnızca %27,45 doğruluk sağlayabilmiştir. Bu durum, ilgili mimarinin bu veri setindeki dokusal özellikleri yakalamada yaşadığı yakınsama (convergence) sorununa işaret etmektedir. Elde edilen bulgular, Özgün CNN ve özellikle hibrit mimarinin, MRI tabanlı beyin tümörü sınıflandırma problemlerinde yüksek doğruluk, düşük varyans ve güçlü genelleme kabiliyeti sunduğunu ortaya koymaktadır. Bu çalışma, klinik karar destek sistemlerinin geliştirilmesi için güvenilir bir temel sunmaktadır.
Termal kamera görüntüleri ile nesne ve insan tespiti sistemi
Günümüzde bilgisayarlı görü ve derin öğrenme tabanlı nesne tespiti teknolojileri, özellikle güvenlik, arama-kurtarma ve savunma gibi kritik uygulama alanlarında yaygın olarak kullanılmaktadır. Ancak RGB görüntüler kullanan geleneksel sistemler, düşük ışık, sis, duman ve toz gibi zorlu çevresel koşullarda performanslarını büyük ölçüde kaybetmektedir. Bu bağlamda, termal görüntüleme sistemleri; çevresel ışık bağımlılığını ortadan kaldırarak düşük görüş koşullarında dahi nesne tespiti yapılmasına olanak tanımaktadır. Bu tez çalışmasında, termal kamera verileri kullanılarak insan ve uzuv (baş ve kol) tespiti yapılabilen, derin öğrenme temelli bir nesne tanıma sistemi geliştirilmiştir. Çalışma kapsamında YOLOv10 mimarisinin farklı versiyonları (m, b, l) kullanılarak toplam dokuz model eğitilmiş, ayrıca öneri tabanlı bir yöntem olan Faster R-CNN mimarisi ile karşılaştırmalı analiz gerçekleştirilmiştir. Roboflow platformu üzerinde özel olarak oluşturulan, etiketlenmiş termal görüntü veri seti kullanılmış; görüntü işleme sürecinde çeşitli veri artırma ve ön işleme teknikleri uygulanmıştır. Elde edilen sonuçlar, YOLOv10 mimarisinin özellikle hız ve doğruluk dengesi açısından oldukça başarılı olduğunu, optimize edilmiş model konfigürasyonlarıyla termal görüntü verisi üzerinde yüksek doğruluk oranları sağladığını göstermiştir. Ayrıca, önerilen sistemin gerçek zamanlı uygulamalar için uygunluğu ve uzuv seviyesinde tespit kapasitesi, bu çalışmanın özgün katkıları arasında yer almaktadır.
Derin öğrenme mimarileri kullanılarak çöp sınıflandırma
Çevresel sürdürülebilirliğe yönelik endişelerin arttığı günümüzde, atık yönetimi önemli bir sorundur. Atıkların doğru bir şekilde nasıl sınıflandırılacağı ve insan yaşamının kalitesinin nasıl iyileştirileceği dünya çapında ortak bir endişe kaynağıdır. Özellikle organik ve geri dönüştürülebilir (inorganik) çöplerin yüksek doğrulukta ve performansta sınıflandırılması, çevresel etkiyi ve ekonomik kayıpları azaltmak için oldukça önemlidir. Geleneksel olarak uygulanan manuel sınıflandırma yöntemleri genellikle hataya açık ve verimsizdir. Yenilikçi teknolojilerin kullanımı, geri dönüşüm sektörüne önemli ölçüde fayda sağlamaktadır. Bilgisayarlı görme, çöpleri tanımlayarak ve kategorilere ayırarak çevre dostu bir sınıflandırma yaklaşımı sunmaktadır. Bu çalışmadaki amaç organik atıkları inorganik atıklardan ayırmaktır. Bu amaca uygun olarak çalışmada çöplerin sınıflandırılmasında kullanılan birinci veri seti Kaggle'dan alınan "Waste Images" adlı 9 sınıflı, 8346 görüntülü açık kaynak veri setinden en anlamlı ve verimli görüntüler seçilerek 580 organik, 575 inorganik toplamda 1155 veriyle oluşturulmuştur. İkinci veri seti ise yine Kaggle'dan alınan "Recyclable Waste Images" adlı 9 sınıflı 3180 görüntülü açık kaynak veri setinden organik çöp diye adlandırılan sınıftaki 325 görüntü, diğer organik olmayan 8 sınıftan da en anlamlı 325 görüntü toplamda 650 veriyle oluşturulmuştur. Bu veri setleri kullanılarak ResNet-50 (Residual Network), YOLOv11 (You Only Look Once, version 11) ve Vision Transformer (ViT) modellerinin performans analizi gerçekleştirilmiştir. Elde edilen sonuçlarda doğruluk oranları ilk veri setinde sırasıyla %97.84 - %96.20 - %97.66 ikinci veri setinde ise %97.85 - %94.21 - %98.00 olup en kararlı ve yüksek doğruluk ViT modeline ait bulunmuştur. Bununla birlikte çalışmada kullanılan 3 modelin de doğruluk ve öğrenme performanslarının yüksek seviyede olduğu açıktır. Bu çalışmada, çoklu atık sınıflandırma yaklaşımlarından farklı olarak yalnızca organik ve inorganik atıkların ayrımına odaklanılmış olup, bu iki atık türünün yapısal özelliklerindeki belirgin farklılıkların ayrıştırılması; enerji geri kazanımı, kompost üretimi ve çevresel sürdürülebilirlik başta olmak üzere çeşitli çevresel yönetim süreçlerine doğrudan katkı sağlamaktadır.
Infogan ve RDA-GAN kullanılarak veri artırımının evrişimsel sinir ağları üzerine etkisi
Tez çalışmasında, GAN tabanlı veri üretimi kullanılarak sınırlı veri koşullarında CNN tabanlı sınıflandırma modellerinin performansı incelenmiştir. Araştırmada iki farklı GAN algoritması, InfoGAN ve RDA-GAN algoritmalarıdır. Veri üretim aşaması için üç farklı veri seti CIFAR-100, MNIST ve CelebAMask-HQ üzerinde sentetik veri üretimi için kullanılmıştır ve en iyi sınıflandırma sonuçları MNIST veri setinden elde edilmiştir. InfoGAN ile MNIST verisi üzerinde üretilen verilerde en düşük FID değeri 24.38361444380 olarak bulunmuş ve sınıflandırma sonuçları orijinal MNIST verisine oldukça yakın olmuştur. Yarı sentetik veri yarı orijinal veriden oluşan sınıflandırmada DenseNet169 modeli F1-Skor 0.9213 ve test doğruluğu %92.20 değerlerini almış, bu sonuçlar orijinal MNIST verisi ile elde edilen DenseNet169 performansına F1-Skor 0.9388, test doğruluğu %93.90 oldukça yakın olmuştur. Sadece sentetik verilerle yapılan sınıflandırmada ResNet50 modeli F1-Skor 0.7098 ve test doğruluğu %70.30 değerlerini göstermiş ve bu sonuçlar orijinal MNIST verisi ile elde edilen ResNet50 performansına F1-Skor 0.9377, test doğruluğu %93.80 yakın bir performans sergilemiştir. RDA-GAN algoritması ile MNIST verisi üzerinde üretilen verilerde en iyi FID değeri 48.3179143859 olarak gözlemlenmiş ve sınıflandırma sonuçları orijinal veriye oldukça yakın olmuştur. Yarı sentetik veri ile yapılan sınıflandırmada DenseNet169 modeli F1-Skor 0.92.10 ve test doğruluğu %92.10 değerlerini alırken, yalnızca üretilen verilerle yapılan sınıflandırmada F1-Skor 0.8454 ve test doğruluğu %84.50 olarak gerçekleşmiştir. Sınıflandırma çalışmalarında ayrıca VGG16 modeli de kullanılmış, ancak en iyi performans DenseNet169 ve ResNet50 tarafından elde edilmiştir. Elde edilen bulgular, GAN tabanlı veri üretiminin sınırlı veri koşullarında CNN modellerinin performansını orijinal veriye oldukça yakın bir şekilde yansıtabileceğini göstermektedir.
Cohen-Grossberg yapay sinir ağlarında Lyapunov kararlılığı
Bu tez çalışması, sürekli Cohen-Grossberg yapay sinir ağlarının kararlılık özelliklerini derinlemesine incelemeyi amaçlamaktadır. Çalışmanın odak noktası, Lyapunov tekniklerini kullanarak yeni ve etkin bir enerji fonksiyonu geliştirmektir. Bu enerji fonksiyonu, sinir ağının denge noktalarının varlığı, tekliği ve global asimptotik kararlılığı gibi kritik özelliklerini belirlemek için kullanılacaktır. Çalışmanın bir diğer önemli yönü, yapay sinir ağlarının elektrik devreleriyle olan benzerliğidir. Bu kavramsal benzerlik, ağın direnç ve kondansatör devresine benzetilmesini sağlar. Bu benzetme, daha önce Hopfield tarafından geliştirilen yapay sinir ağı modeli ile uyumludur. Aslında, Hopfield modeli, Cohen-Grossberg yapay sinir ağının bir özel durumu olarak kabul edilir. Lyapunov'un doğrudan metodu, bu çalışmanın temel analitik aracıdır. Bu metot kullanılarak, oluşturulan RC elektrik devresi üzerinden yeni bir enerji fonksiyonu tanımlanacak. Bu enerji fonksiyonu, ağın kararlılık özelliklerini değerlendirmek için kritik bir araç olacaktır. Çalışmada, Cohen-Grossberg yapay sinir ağının kararlılığı için bazı temel varsayımlar yapılacaktır. Bu varsayımlar, Rus matematikçi Lyapunov'un enerji değişim teorileriyle uyumlu bir şekilde belirlenmiştir. Lyapunov, enerji değişimini temel alarak sistemlerin davranışını ve kararlılık koşullarını analiz etmiştir. Enerji fonksiyonunun tanımlanması sürecinde, sinir ağının fiziksel karşılığı olan direnç ve kondansatör devre elemanları dikkate alınacaktır. Bu devre elemanları, enerji fonksiyonunun matematiksel yapısını oluşturmak için kullanılacaktır. Enerji fonksiyonu ve seçilen parametreler yardımıyla, ağın kararlılık özelliklerini açıklayan bir diferansiyel enerji denklem sistemi oluşturulacaktır. Bu denklem sistemi, direnç ve kondansatör gibi devre elemanları kullanılarak çözülebilecek karmaşık bir diferansiyel denklem setini temsil eder.
Çizgelerde baskın kümelere dayalı çıkarımsal metin özetleme
Bu çalışmada, belgelerin çıkarımsal özetlenmesi için yeni bir yöntem önerilmektedir. Çıkarımsal metin özetleme yönteminde cümleler ana metinden olduğu gibi seçilerek özet oluşturulmaktadır. Özetlenecek metindeki en fazla bilgiyi içeren cümleleri seçerek özetin oluşturması başarı oranını artırmaktadır. Bu tez çalışması kapsamında Karcı Baskın Küme Algoritması kullanılmıştır. Özetlenecek metne ait cümlelerin ortak kelime sayıları baz alınarak oluşturulan komşuluk matrisinden çizge oluşturulmuştur. Çizgeye ait baskın kümedeki düğümlerin temsil ettiği cümlelerin ana metinden çıkarılması ile geriye kalan cümlelerden oluşturulan yeni çizgenin özvektör merkeziliği değerlerine göre özet elde edilmiştir. Çalışma, Document Understanding Conference veri setlerinden (DUC-2002 ve DUC-2004) yararlanılarak gerçekleştirilmiştir. Çalışmanın performansı, ROUGE değerlendirme metrikleri ile ölçülmüş ve diğer rekabetçi yöntemlerle karşılaştırılmıştır. 100, 200 ve 400 kelimelik özetler için deneyler tekrar edilmiştir. Elde edilen sonuçlar, önerilen modelin katkılarını ortaya koymaktadır.
Mobil cihazlardaki görsellerin analizi ile YOLOv8 tabanlı seyahat öneri sistemi
Bu çalışma, yapay zekâ destekli yöntemler aracılığıyla mobil cihazlarda fotoğraf analizi yaparak gerçek zamanlı nesne tespiti ve içerik yorumlama süreçlerini incelemeyi; bu bağlamda bir Mobil Seyahat Öneri Sistemi tasarlayıp geliştirmeyi hedeflemektedir. Çalışmada, YOLOv8 nesne algılama algoritmasının Android platformuna entegrasyonu ele alınmış ve bu entegrasyonun mobil cihazlar üzerindeki uygulanabilirliği kapsamlı bir şekilde araştırılmıştır. Çalışmanın ana odak noktalarından biri, kullanıcıların galerisinden birden fazla fotoğraf seçerek bu fotoğrafların Roboflow platformu üzerinden analiz edilmesi ve elde edilen kategorik tahminler doğrultusunda kişiye özel seyahat önerilerinin sunulmasıdır. Uygulama, yüklenen her fotoğrafı Roboflow API aracılığıyla değerlendirerek dört ana kategori (doğa, tarihi mekânlar, yaz tatili, kış tatili) çerçevesinde sınıflandırmakta ve bu sınıflandırmalardan anlamlı seyahat yönlendirmeleri üretmektedir. Tezin kapsamı, YOLOv8 algoritmasının temel prensiplerinin yanı sıra, farklı konfigürasyonlardaki modellerin eğitim süreçlerini ve mobil cihazlardaki kullanım performanslarını değerlendirmeyi de içermektedir. Bu doğrultuda, Python tabanlı olarak eğitilen YOLOv8 modellerinin, Android uygulaması ile API üzerinden iletişim kuracak şekilde entegrasyonu gerçekleştirilmiştir. Çalışmanın başlangıcında, YOLOv8 algoritmasının yapısı, çalışma prensipleri ve önceki nesil algoritmalarla karşılaştırmalı analizi yapılmıştır. Ardından, Android ortamında mobil uygulama geliştirme süreci, Roboflow ile model eğitimi, API entegrasyonu ve çoklu fotoğraf tahmini için geliştirilen sistem mimarisi ayrıntılı biçimde açıklanmıştır. Model eğitimi sürecinde Roboflow platformu kullanılarak veri setleri oluşturulmuş ve fotoğraflar kategorilere göre etiketlenmiştir. İki farklı YOLOv8 modelinin test sonuçları, doğruluk oranları açısından sırasıyla %96,6 ve %98,3 olarak elde edilmiştir. Bu bulgular, etkili ön işleme stratejilerinin ve model yapılandırmasının performans üzerinde önemli bir rol oynadığını göstermektedir. Sonuç olarak, geliştirilen Mobil Seyahat Öneri Sistemi, kullanıcıdan alınan birden fazla fotoğrafı analiz ederek ilgi alanlarına uygun genel seyahat temaları hakkında öneriler sunan yapay zekâ destekli bir mobil çözüm olarak tasarlanmış ve başarıyla uygulanmıştır. Bu çalışma, mobil cihazlarda yapay zekâ tabanlı içerik analizinin ve kullanıcı tercihlerine dayalı öneri mekanizmalarının pratik uygulama alanlarına katkıda bulunmayı amaçlamaktadır.
Hibrit bir derin öğrenme modeli kullanılarak görüntülerden hava durumu sınıflandırması
Derin evrişimli sinir ağları günümüzde görüntü tanıma ve sınıflandırma alanında yaygın olarak kullanılmaktadır. Görüntü tanıma için kullanılan bu mimarilerde yer alan evrişim katmanları sayesinde, görüntüler üzerinde bulunan öznitelikler kendiliğinden ortaya çıkmakta ve bu öznitelikler aracılığıyla sınıflandırma işlemi yapılmaktadır. Farklı mimarilere ait evrişim katmanları bazı özellikleri ön plana çıkarırken, bazı bilgilerin yitirilmesine neden olabilmektedir. Bu durum, görüntü işleme alanında sürekli araştırma yapılmasını zorunlu kılmaktadır. Çalışmaların bir bölümü yeni mimarilerin geliştirilmesine odaklanırken, bazı çalışmalar mevcut modellerden hibrit yapılar oluşturmayı hedeflemektedir. Görüntü işleme günümüzde pek çok alanda etkin biçimde kullanılmaktadır. Bu alanlardan biri de otonom araç geliştirme sürecidir. Otonom araçlarda sürüş güvenliği açısından hava durumu önemli bir faktördür. Derin evrişimli sinir ağları kullanılarak aracın aldığı görüntüler üzerinden hava durumu tespiti yapılabilir. Bu çalışmada, hava durumunu gösteren görüntülere ait bir veri kümesi üzerinde sınıflandırma işlemi gerçekleştirilmiştir. Çalışmanın özgünlüğü adına, mevcut mimari modellerden iki hibrit model türetilmiştir. Hibrit modellerin tasarımında, sınıflandırmada sıkça tercih edilen VGG19, ResNet152V2, MobileNetV2, NASNetMobile ve InceptionV3 modelleri özellik çıkarımı amacıyla kullanılmıştır. Elde edilen öznitelikler LSTM ağı ve tam bağlantılı ağ ile sınıflandırılmış; en yüksek başarı oranları sırasıyla LSTM ağı için %94.47 ve tam bağlantılı ağ için %94.76 olarak ölçülmüştür. Elde edilen sonuçlar, hibrit modelin etkinliğini ortaya koymaktadır.
İç mekân sahne tanıma için metin tabanlı sınıflandırıcı ve evrişimli sinir ağları kullanarak çok kanallı hibrit model geliştirme
İç mekân sahne tanıma, kapalı alanlardaki farklı ortamları (ofis, kütüphane, mutfak, restoran gibi) tanımlamak için kullanılan bir bilgisayarlı görü problemidir. Robotik, güvenlik, engelli bireylere yardım gibi uygulamalarda mekânı kategorize ederek ortama dair bağlamsal bilgi sağlaması açısından kapsamlı ve güncel bir araştırma alanıdır. Birçok bilgisayarlı görü probleminde olduğu gibi iç mekân sahne tanımada da çoğunlukla evrişimli sinir ağları kullanılmaktadır. Evrişimli sinir ağları (CNN), dış mekân sahne tanımada görselin (örneğin dağ, deniz veya gökyüzünün genel hatları gibi) genel özelliklerine kolayca odaklanarak nispeten daha başarılı iken; iç mekân sahne tanımada görselin yerel özelliklerine (mobilyalar, objeler, çeşitli nesneler gibi ayrıntılara) odaklanmada aynı yüksek başarıyı gösterememektedir. "MIT 67 Indoor Scene" veri setinin kullanıldığı bu çalışmada önerilen iki kanallı hibrit modelde, evrişimli sinir ağları modelinden gelen özellikler ile nesne tanıma kelimeleri kullanılarak geliştirilen metin tabanlı modelden gelen özellikler birleştirilip eğitilmektedir. Doğal dil işleme ve görüntü işleme teknikleri bir arada kullanılarak geliştirilen bu hibrit model ile görüntü işleme modelinin test başarısı %9 arttırılarak yüksek bir başarı oranı elde edilmiştir.
Besleme sistemi için derin öğrenme tabanlı hayvan tanıma
Geleneksel hayvan besleme yöntemleri, manuel uygulamalara dayalı olmaları nedeniyle günümüz hayvancılık ihtiyaçlarını karşılamada yetersiz kalmakta; bu durum yem israfı, düzensiz besleme döngüsü ve yemliklere yetkisiz hayvan erişimi gibi sorunları beraberinde getirmektedir. Özellikle kontrolsüz yem tüketimi, hem ekonomik kayıplara yol açmakta hem de hijyen ve güvenlik açısından ciddi riskler oluşturmaktadır. Bu çalışma, hayvan besleme süreçlerinin daha etkin ve kontrollü yönetilebilmesini sağlamak amacıyla derin öğrenme tabanlı görüntü işleme tekniklerinin hayata geçirilmesini amaçlamaktadır. Çalışma kapsamında, kuş, kedi ve köpek türlerinin tespiti için YOLOv8, YOLOv9, YOLOv11 ve geliştirilme aşamasındaki YOLOv12 algoritmaları kullanılmıştır. Bu modeller, gerçek zamanlı nesne tespiti özelliği sayesinde hayvanların hızlı ve doğru biçimde tanınmasını mümkün kılmaktadır. Tanıma sürecinde ayrıca ResNet-50, MobileNet ve EfficientNetB0 gibi Evrişimli Sinir Ağı (CNN) tabanlı derin öğrenme mimarileri kullanılarak, sınıflandırma başarımı önemli ölçüde artırılmıştır. Görüntüden alınan veriler doğrultusunda, yalnızca tanımlı ve yetkilendirilmiş hayvanların yemlik alanlarına erişimine izin verilmekte; böylece yem tüketimi kontrol altına alınmakta, kaynak israfı önlenmekte ve hijyen koşulları korunmaktadır. Ortaya konan yapay zekâ temelli yaklaşım, hayvan barınaklarından kırsal hayvancılık alanlarına kadar birçok farklı kullanım alanına sahiptir. Gelecek çalışmalarda, tanınabilecek hayvan türlerinin çeşitlendirilmesi, daha geniş kapsamlı ve dengeli veri setleriyle eğitim süreçlerinin iyileştirilmesi, düşük güç tüketimine sahip gömülü donanımlarla entegrasyon sağlanması ve mobil uygulamalar aracılığıyla uzaktan erişim imkânı sunan bir ara yüz geliştirilmesi hedeflenmektedir. Bu çalışma, hayvan tanıma temelli besleme uygulamalarında yapay zekâ destekli çözümlerin etkinliğini ortaya
Aşırı – akım rölelerin koordinasyon probleminde geliştirilmiş fidan gelişim algoritmasının uygulanması ve optimizasyon algoritmaları ile karşılaştırılması
Optimizasyon algoritmaları, belirli bir amaç fonksiyonunun minimum veya maksimum değerini bulmayı amaçlayan problemleri çözmede yaygın olarak kullanılmaktadır. Optimizasyon yöntemleri, en iyi alternatifi seçmek için hem matematiksel hem de sezgisel yaklaşımları kullanmaktadır. Bu çalışmada Aşırı Akım Rölelerinin Koordinasyon (Overcurrent Relay Coordination - ORC) problemi ele alınmış ve bu problemin çözümüne yönelik olarak biyolojik büyüme sürecinden esinlenen Fidan Gelişim Algoritması (SGuA) geliştirilmiştir. SGuA, Geliştirilmiş SGuA (ISGuA) versiyonu ile detaylı biçimde analiz edilmiş, özellikle algoritmanın başlangıç popülasyonu üretim yöntemlerinin performansa etkisi araştırılmıştır. Çalışmada 10 farklı başlatma yöntemi değerlendirilmiştir. Uniform dağılım yöntemi 6.9002 saniyelik en düşük toplam ti süresi ile en başarılı sonuçları vermiştir. Uniform dağılımın parametre uzayını homojen örnekleyerek çözüm alanını dengeli taradığı ve algoritmanın yerel minimumlara takılma riskini azalttığı gözlemlenmiştir. Diğer dağılımlar arasında Beta dağılımları belirli bölgelere odaklanarak erken yakınsama sağlarken, Log-normal, Rayleigh, Weibull ve Exponential gibi asimetrik dağılımlar çözüm uzayının bazı bölgelerinde yetersiz örnekleme nedeniyle performansı düşürmüştür. Latin hypercube ve rastgele başlatmalar da Uniform dağılıma kıyasla daha zayıf performans göstermiştir. Geliştirilen ISGuA algoritması, ayrıca Genetik Algoritma (GA), Balina Optimizasyon Algoritması (WOA), Yapay Arı Kolonisi (ABC), Gri Kurt (GWO), Kelebek (BOA) ve Lig Şampiyonluk Algoritması (LCA) gibi yaygın meta sezgisel yöntemlerle karşılaştırılmıştır. ISGuA, en düşük işletme süresine ulaşarak tüm algoritmalar arasında en başarılı yöntem olmuştur. Elde edilen sonuçlar, ISGuA'nın hem başlangıç stratejileri hem de genel optimizasyon performansı açısından üstün olduğunu ve ORC gibi çok kısıtlı problemlerde uygulanabilir, kararlı ve verimli bir çözüm sunduğunu göstermektedir.
Duygu analizinde transformer tabanlı modellerin karşılaştırılması
Duygu analizi metinlerden duygu çıkarımı yapan yapay zeka çalışmasıdır. Son dönemlerde bu alanda yapılan çalışmalar ve alana olan rağbet bu alan ile ilgili çalışmaları da artırmıştır. Çeşitli makine öğrenmesi algoritmaları, derin öğrenme yöntemleri ve son zamanlarda Transformer tabanlı modeller duygu analizi konularında oldukça yaygın bir şekilde kullanılmaya başlamıştır. Bu çalışma duygu analizi problemlerinde kullanılmak üzere Transformer tabanlı modellerin karşılaştırılması için yapılmıştır. Çalışmada biri 61121 satır ve diğeri 5937 satırdan oluşan iki ayrı veri seti kullanılmıştır. Araştırmada kullanılan veri setleri öncelikli olarak temizlik ve ön hazırlık aşamalarından geçirilmiş ve Transformer tabanlı modellerin kullanımı için hazır hale getirilmiştir. Daha sonra on ayrı Transformer modeli için ayrı ayrı notebooklar çalıştırılmış ve sonuçları raporlanmıştır. Her bir notebook beş epoch boyunca çalıştırılmış ve hem uzun veri seti için hem de az örneklem sayısına sahip veri seti için sonuçlar karşılaştırılmıştır. Çalışma sonucunda Transformer tabanlı modellerin performansı karşılaştırılmış olup çeşitli parametre ve metrik kullanımları durumundaki sonuçları gözlemlenmiştir. Genel oalarak yüksek orandaki başarı performansları ve hızlı çalışabilme yetenekleri Transformer tabanlı modellerin duygu analizi çalışmalarında büyük oranda kullanılması gerektiğini göstermiştir. Böylece diğer birçok Doğal Dil İşleme (NLP) görevinde olduğu gibi duygu analizi çalışmalarında da Transformer tabanlı modeller başarılı sonuçlar vermeye devam edecektir. Daha fazla parametre ayarı ve modele özgü ince ayarlarla gelecekte yüksek performanslı modeller kullanılabilecek olup gerçek dünya problemlerinde de çok daha büyük başarılara imza atılabilecektir. Anahtar kelimeler: Doğal dil işleme, Duygu analizi, Transformer modeller
Silah hedef atama probleminde geliştirilmiş kum kedisi sürü optimizasyon algoritmasının uygulanması
Savunma sanayiinde mevcut mühimmatın tehdit unsurlarına en verimli şekilde tahsis edilmesi, kaynak yönetimi ve operasyonel başarı açısından kritik bir öneme sahiptir. Literatürde Silah Hedef Atama (SHA) problemi olarak bilinen bu problem, hedef ve silah sayısının artmasıyla birlikte çözüm uzayının üstel olarak büyüdüğü çok boyutlu karmaşık bir optimizasyon problemidir. Klasik deterministik yöntemlerin makul sürelerde çözüm üretmekte yetersiz kaldığı bu alanda, meta-sezgisel algoritmalar ön plana çıkmaktadır. Bu tez çalışmasında, SHA probleminin etkin çözümü için doğadan esinlenen Kum Kedisi Sürü Optimizasyonu (Sand Cat Swarm Optimization - SCSO) algoritması temel alınarak Uyarlanabilir Altın Sinüs Ortogonal Kum Kedisi Sürü Optimizasyonu (Adaptive Golden Sine Orthogonal Sand Cat Swarm Optimization - AGO-SCSO) adında yeni ve hibrit bir algoritma önerilmiştir. Orijinal SCSO algoritmasının, özellikle yüksek boyutlu problemlerde karşılaştığı erken yakınsama ve yerel optimum tuzağına düşme gibi yapısal kısıtlarını gidermek amacıyla, önerilen yönteme problem boyutuna duyarlı (adaptif) üç temel mekanizma entegre edilmiştir. Düşük boyutlu problemlerde Gaussian Pertürbasyon ve momentum stratejisi ile algoritmanın çeşitliliği korunurken, yüksek boyutlu problemlerde Altın Sinüs mekanizması ile çözüm hassasiyeti iyileştirilmiş ve Ortogonal Öğrenme stratejisi ile yerel tuzaklardan kaçış sağlanmıştır. Geliştirilen algoritmanın performansı iki aşamada doğrulanmıştır. İlk aşamada, 20 adet standart kıyaslama fonksiyonu üzerinde yapılan testlerde, AGO-SCSO'nun tek modlu fonksiyonlarda yüksek yakınsama hassasiyetine ulaştığı, çok modlu fonksiyonlarda ise orijinal algoritmaya göre üstün olduğu gözlemlenmiştir. İkinci aşamada, 5 hedeften 200 hedefe kadar değişen farklı ölçeklerdeki SHA problemleri simüle edilmiştir. Deneysel sonuçlar ve Wilcoxon istatistiksel analizleri; AGO-SCSO'nun, Benekli Sırtlan Optimizasyon (SHO), Genetik Algoritma (GA), Parçacık Sürü Optimizasyonu (PSO), Yapay Arı Kolonisi (ABC) ve orijinal SCSO'ya kıyasla tehdit maliyetini minimize etme konusunda istatistiksel olarak anlamlı ve kararlı bir başarı sergilediğini ortaya koymuştur. SHA200 gibi yüksek boyutlu bir problemde dahi 0,59 saniyelik çalışma süresi ve 2036.37 en iyi çözüm değeriyle AGO-SCSO, diğer yöntemler karşısında rekabetçi gücünü korumuştur. Sonuç olarak, geliştirilen AGO-SCSO algoritması, karmaşık askeri optimizasyon problemlerinin çözümü için güçlü ve ölçeklenebilir bir yöntem olarak literatüre sunulmuştur.