Doktora Tezleri

Permanent URI for this collectionhttps://hdl.handle.net/20.500.14411/11237

Browse

Search Results

Now showing 1 - 10 of 26

Rüzgar türbini tarafından sürülen rotor tarafına bağlı matris çeviricili çift beslemeli asenkron generatör tasarımı.
(2025) Alarabi, Mohamed Ali Arelbi; Sünter, Sedat
Rüzgar enerjisi, sürdürülebilirliği ve teknolojik ilerlemeleri nedeniyle en cazip yenilenebilir enerji kaynaklarından biri olarak ortaya çıkmıştır. Bu tez, bir matris dönüştürücü (MC) ile kontrol edilen, şebekeye bağlı değişken hızlı rüzgar türbin tahrikli çift beslemeli asenkron generatörün (DFIG) tasarımı, modeli, kontrolü ve uygulamasını ele almaktadır. Rüzgar hızının değişmesi sırasında maksimum güç elde etmek için, maksimum güç noktası takibini (MPPT) mümkün kılan optimum şaft hızını tahmin etmek üzere bir yapay sinir ağı (ANN) tasarlanmıştır. Klasik sırt sırta dönüştürücünün yerine kullanılan MC, karmaşıklığı en aza indirmekte ve sistemin kompaktlığını artırmaktadır. Önerilen sistemde, makinenin stator sargı uçları doğrudan ana şebekeye bağlanırken, rotor sargıları kayar bileziklerden MC aracılığıyla şebekeye bağlanır. Giriş ve çıkışta sinüzoidal dalga şekilleri, birim giriş güç faktörü (PF) ve çift yönlü güç akışı kabiliyeti sunan Venturini modülasyon yönteminin basitleştirilmiş versiyonu MC'yi kontrol etmek için kullanılmıştır. Stator alan yönlendirmeli kontrol (FOC) yaklaşımı, aktif ve reaktif gücü birbirinden ayrıştırmak için uygulanmıştır. Sistem hem benzetim ve hem de deneysel uygulama ile doğrulanmıştır. Benzetim çalışmaları MATLAB/Simulink programı kullanılarak gerçekleştirilmiştir. Deneylerde, gerçek bir rüzgâr türbini bulunmadığından, değişken hızlı rüzgâr türbininin kontrollü bir emülasyonunu sağlayan serbest uyartımlı bir DC motor, DFIG'i sürmek için kullanılmıştır. Kontrol algoritması, 200 MHz'de çalışan 32 bit çift çekirdekli işlemciye sahip bir TMS320F28379D Dijital Sinyal İşlemcisi (DSP) kullanılarak yürütülmüştür. Sonuçlar, senkron altı ve senkron üstü hızlarda kararlı çalışmayı doğrulamaktadır. Ayrıca, deneysel sonuçlar önerilen kontrol stratejisinin etkinliğini doğrulamakta ve matris dönüştürücünün rotor ile şebeke arasında verimli bir çift yönlü güç aktarımı sağlama yeteneğini göstermektedir.
Hibrit güç aktarma sistemlerinde enerji yönetimi performansının deneysel incelenmesi
(2026) Abouseda, Ayman Ibrahım; Doruk, Reşat Özgür; Emın, Alı
This doctoral thesis presents an experimentally grounded investigation of energy management performance in a hybrid powertrain, with particular emphasis on the interaction between drivetrain configuration, electric-drive-level control structure, and energy utilization under realistic operating conditions. Unlike many existing studies that rely predominantly on simulation-based models or idealized assumptions, this work is based on a laboratory-scale drivetrain platform that was designed, constructed, instrumented, and experimentally validated from the ground up. The research begins with experimental identification and validation of a 2.2 kW brushless DC (BLDC) motor model, followed by systematic energy and efficiency characterization of the BLDC motor planetary gearbox drivetrain under varying speed and load conditions. The influence of control structure is then examined through comparative open-loop and closed-loop proportional–integral–derivative (PID) speed control experiments, demonstrating that feedback control significantly affects transient power losses, drivetrain efficiency, and battery state-of-charge (SOC) behavior at the electric drive level. Under variable-speed and fixed-load conditions, closed-loop control improves overall system efficiency by up to 19 percentage points and reduces battery SOC depletion by up to 0.75 percentage points per test sequence compared with open-loop operation. This highlights the importance of experimentally characterizing drivetrain-level energy behavior as a foundation for realistic energy management studies. The experimental framework is subsequently extended to a hybrid electric configuration by integrating an internal combustion engine (ICE) mechanically coupled to the BLDC motor via a multi-ratio planetary gearbox. Hybrid electric assist is experimentally demonstrated under constant ICE speed operation, with drivetrain kinematics described for reference using the Willis equation. Fuel consumption measurements conducted under fixed load torque conditions reveal that electric assistance reduces ICE fuel consumption by approximately 16.3%, 29.6%, and 46.9% for BLDC assist speeds of 500 rpm, 900 rpm, and 1800 rpm, respectively, at a constant ICE speed of 450 rpm and 2 N·m load torque. These fuel savings are accompanied by corresponding battery SOC depletions ranging from 0.62% to 4.07%, highlighting a clear fuel–battery energy trade-off. The results demonstrate that energy-related performance in hybrid powertrains arises from the coupled effects of drivetrain kinematics, electric drive control actions, and operating conditions, rather than from high-level control algorithms alone. The experimentally obtained findings provide practical insight into control-aware energy behavior and establish a solid experimental basis for realistic energy management approaches in hybrid powertrain applications.
Yüksek Tork Yoğunluklu Endüksiyon Motoru Tasarımı
(2025) Sıddıque, Muhammad Salık; Ertan, Hulusi Bülent
Bu tez, Türkiye'de Ankara metro trenleri için üretilen 125 kW'lık bir indüksiyon prototip motorunun tasarımını geliştirerek indüksiyon motorları (IM) ile daimi mıknatıslı senkron motorlar (PMSM) arasındaki performans farkını kapatmaya odaklanmaktadır. Yüksek verimleri sayesinde daimi mıknatıslı motorlar elektrikli araçlarda yaygın kullanım ve popülerlik kazanmış olsa da, nadir toprak elementlerine olan bağımlılıkları, tüm hız aralığında yüksek verimi koruyan, nadir toprak elementlerinden bağımsız, maliyet-etkin alternatiflerin araştırılmasını gerektirmektedir. Sunulan araştırma, prototipin uluslararası standartlara göre test edilmesiyle başlamaktadır. Bu prototip motorun 2D modeli geliştirilmiş ve performansı ANSYS Maxwell yazılımında sonlu elemanlar analizi (FEA) kullanılarak benzetimle tahmin edilmiştir. Model, tahmin sonuçları ile test sonuçlarının karşılaştırılmasıyla geliştirilmiştir. Bu şekilde, motor momentini, akımı, kayıpları ve genel verimi %1 doğruluk içinde tahmin edebilen hassas bir model elde edilmiştir. Bu model, prototip motorun kayıp dağılımını incelemek için kullanılmıştır. Önemli kayıp bileşenleri bu yöntemle daha ayrıntılı dağıtılabilmiş ve harmonik kayıplar sonlu elemanlar yöntemi yardımıyla ayrıştırılmıştır. Motorun verimini artırmak için bu analiz esastır. Kayıp dağılımı belirlendikten sonra kayıpları ortadan kaldırma yolları aranabilir ve motorun verimi artırılabilir. Verimin artırılması, ya motor çıkışının modifikasyon öncesi kayıp seviyesine ulaşana kadar yükseltilmesini ya da motorun daha soğuk çalışmasını sağlar. Geliştirilen model kullanılarak, ilk olarak manyetik yükleme değiştirilerek ve iletken kesit alanı artırılarak stator tarafındaki bakır kayıplarının azaltılması araştırılmıştır. Bu, prototip motora kıyasla bakır kayıplarını azaltmasına rağmen, manyetik yüklemenin artırılmasının doyum seviyesini (çekirdek kayıpları %13 artmıştır) ve manyetize edici akımı yükselttiği, bu nedenle stator akımının yaklaşık %15 arttığı ve güç faktörünün benzer oranda azaldığı bulunmuştur. Motor performansını iyileştirmek için diğer bir önemli strateji motor iç çapını artırmak ve böylece, kalkış ve maksimum moment dahil stator ve rotor oluk alanlarını artırabilmektir. stator iç çapının yeniden boyutlandırılmasıyla iyileştirmektir. İç çap, rotor ve stator diş genişlikleri korunacak şekilde artırılmış ve stator arka çekirdeğinde hedeflenen akı yoğunluğu (1.85 T tepe) sağlanmıştır. İç çapın artırılması, manyetik yüklemeyi azaltmaktadır. Bu çalışmada iç çapın artirilması verimi %93.7'den %93.9'a çıkarmıştır. Kayıplar azalmış olsa da, prototip motora kıyasla manyetik yükleme çalışmasında olduğu gibi sınırlı artış, optimal stator iç çapının araştırılması gerektiğini göstermektedir. Artırılan iç çap, rotor arka çekirdeğinde daha fazla alan oluşturduğu için rotor bakır çubuğunun yüksekliğinin artırılmasına da imkân vermektedir. Optimal iç çap ve daha derin rotor çubukları kullanılarak motor verimi %93.9'dan %94.5'e ulaşmıştır (optimal iç çap = 280 mm, artırılmış iç çap = 284 mm). Azaltılmış manyetik yükleme ile çekirdek neredeyse hiç doymamakta ve stator akımı prototip motor seviyesinde kalmaktadır. Kayıp dağılımının incelenmesi ayrıca stator oluklardan kaynaklanan yüksek harmonik kayıplara işaret etmektedir. Tezin ikinci odak noktası, toplam kaybın %13'ünü oluşturan harmonik çekirdek ve bakır kayıplarının azaltılmasıdır. Harmonik kaybı azaltmak için yarı kapalı stator olukları kullanılmıştır. Hava aralığındaki harmonik akı bileşenlerinin büyüklüğünün azalması, prototip motora kıyasla rotor yüzey çekirdek kaybını ve bakır kaybını %55 azaltmıştır. Ancak, yarı kapalı oluklar önceden sarılmış stator sargıları için tercih edilmemektedir. Bu sorunu çözmek için, yarı kapalı oluklara alternatif olarak stator açık olukları üzerine kılıf (sleeve) adı verilen ince bir silisli saç tabaka yerleştirilmiştir. Bu çözüm de prototip motora kıyasla harmonik kayıpları en fazla %55 azaltmaktadır. Benzetim çalışmalarında, kalan harmonik kaybın %40'ının rotor çubuklarında gerçekleştiği gözlemlenmiştir. Rotor çubuklarındaki kayıp dağılımının incelenmesi, bu kayıpların çoğunluğunun, belirli bir derinliğe kadar bara içine nüfuz eden temel harmoniklerden kaynaklandığını göstermektedir. Dolayısıyla, rotor çubuklarının harmonik nüfuz derinliğinden daha derine yerleştirilmesiyle harmonik kayıpların daha da azaltılması mümkündür. Bu tezde, rotor çubuklarının temel harmoniklerin ulaştığı derinliğin ötesine yerleştirilmesiyle, harmonik rotor bakır kaybını azaltmayı amaçlayan, yeni rotor oluk tasarımları önerilmektedir. Eğimli oluk dudakları (tapered slot lips) ve boş üst oluk yapıları (empty-top slot) gibi tasarımlar temel harmoniklerden kaçınmaya yardımcı olmaktadır. Önerildiği şekilde çubuklar yerleştirildiğinde, harmonik rotor bakır kaybında %80'e kadar (0.73 kW'tan 0.15 kW'a) azalma sağlanabileceği bulunmuştur. Optimal iç çap, eğimli dudaklı rotor oluğu ve stator açık oluklar üzerine yerleştirilen kılıfın birleşimiyle oluşturulan yeni tasarım %95 verim sağlamaktadır. Yeni tasarımın güç faktörü hafifçe azalmış, ancak prototip motora kıyasla %2 içinde kalmıştır (0.87'ye karşı 0.88) ve kalkış momenti %3 artmıştır. Kılıf ve demir çerçeve bazı ek çekirdek kayıpları getirse de, toplam kayıplar prototip motora kıyasla 8.44 kW'tan 6.6 kW'a önemli ölçüde azalmıştır. Özellikle stator bakır kayıpları %12, rotor bakır kayıpları %47 ve rotor çekirdek kayıpları %75 azalmıştır. Lütfen dikkat ediniz ki yeni tasarımda harmonik kayıpların %80'i (rotor diş kaybı ve harmonik rotor bakır kaybı) prototip motora kıyasla ortadan kaldırılmıştır (1 kW'tan 0.19 kW'a). Örneğin, prototip motor bir PMSM olsaydı, verimi %96.1 olurdu (rotor bakır kaybı ve manyetize edici akım olmadığı varsayıldığında). Bu değer, %95 verime ulaşan geliştirilmiş yeni tasarım motora oldukça yakındır. Prototip motorun kayıp dağılım analizi, kayıpların %30'unun çekirdek kaybı olduğunu göstermektedir. Daha iyi bir çekirdek malzemesi arayışı yapılmıştır. JFE süper çelik 10JNEX900 malzemesi çekirdek laminasyonlarında kullanıldığında, yeni tasarımın veriminin %93.7 verimli prototip motora kıyasla %96.2'ye çıkarılabileceği bulunmuştur. Ayrıca farklı rotor çubuğu malzemeleri de araştırılmıştır. Bakır alüminyum oksit CuAl2O3 bu amaç için uygun bulunmuştur. FE analizleri, yeni çubuk malzemesiyle rotor bakır kaybında (120 W) ve verimde (%0.1) minimal bir iyileşme olduğunu göstermiştir. Bunun nedeni, prototip rotor çubuğu malzemesinin zaten yüksek iletkenliğe sahip olmasıdır. Özetle, bu tez, çekiş uygulamalarında indüksiyon motoru performansını artırmaya yönelik etkili bir tasarım yaklaşımı geliştirmektedir.
3B Medikal Görüntü İşleme İçin Derin Öğrenme Model Mimarisinin Geliştirmesi ve Analizi
(2025) Yılmaz, Vadi Su; Doruk, Reşat Özgür; Tora, Hakan
Günümüzde medikal görüntü segmentasyonuna yönelik geliştirilen derin öğrenme modelleri, yüksek doğruluk sunmalarına rağmen; aşırı hesaplama maliyeti, karmaşık yapılar ve donanım bağımlılığı nedeniyle pratik kullanımda çeşitli sınırlılıklar barın-dırmaktadır. Bu doğrultuda, kullanıcı dostu, düşük donanım gereksinimiyle çalışabi-len, sade ancak derin yapıda, sınırlı veri setlerinde de etkili sonuçlar verebilen, genellenebilir ve güçlü mimarilere duyulan ihtiyaç giderek artmaktadır. Bu tezde, herhangi bir fine-tuning veya dışsal optimizasyona ( pruning, quantization, attention vb.) ihtiyaç duymadan, yalnızca yapısal mimari iyileştirmelerle yüksek doğruluk elde eden donanım dostu bir 3B CNN modeli geliştirilmiştir. Model mimarisi kapsamlı biçimde ele alınmış; katman derinliği, filtre boyutu, kanal sayısı, aktivasyon ve normalizasyon sıralaması gibi birçok parametre sistematik olarak analiz edilmiştir. Farklı çekirdek boyutlarına sahip konvolüsyon filtreleri hem paralel yollarla aynı blok içinde, hem de ardışık katmanlar arasında dağıtılarak farklı mimari konfigürasyonlarla yapılandırılmıştır. Bu yapılarda tek ve çok katmanlı, simetrik ve asimetrik tasarımlar denenmiştir. Ayrıca model tasarımı sürecinde NAS (Neural Architecture Search) yöntemi uygulanmış; elde edilen mimari varyantlar performans açısından değerlendirilmiştir. Geliştirilen model, klasik U-Net'e kıyasla eğitim süresini 2.5 ila 10 kat arasında kısaltmış, FLOPs değerini yaklaşık yarı yarıya düşürmüş ve benzer Dice Benzerlik Katsayısı (DSC) ile segmentasyon doğruluğunu korumayı başarmıştır. Ayrıca yapılan analizlerde, FLOPs'un gerçek zamanlı performansı belirlemede tek başına yeterli bir ölçüt olmadığı ortaya konmuştur. Bu tez kapsamında yürütülen çalışmalar, yalnızca mimari düzeyde gerçekleştirilen iyileştirmelerle yüksek doğruluk ve donanım verimliliğine ulaşılabileceğini göstermekte; geliştirilen yapının sade fakat derin mimarisi-yle genellenebilirliği, sınırlı veri setlerinde başarımı ve hangi mimari parametrelerin modele belirgin katkı sağladığı detaylı biçimde ortaya konmuştur.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem
(2025) Maıga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlülüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüller Bir Yöntem
(2025) Maiga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem
(2025) Maiga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
mmDalga Radar Kullanarak Drone Sürülerinin İSAR Görüntülenmesi
(2025) Çoruk, Remziye Büşra; Aydın, Elif; Kara, Ali
Teknolojide drone ve drone sürülerinin kullanımının artmasıyla birlikte, anti-drone teknolojilerinin kullanımı önemli ölçüde artmıştır. Ancak, sınırlı görüş alanına sahip senaryolarda drone ve drone sürülerinin tespiti literatürde kalıcı bir zorluk olmaya devam etmektedir. Bu tez, milimetre dalga (mmWave) frekans bantlarında yeniden oluşturulan drone sürülerinin Ters Sentetik Açıklıklı Radar (ISAR) görüntülerinin, oluşumlarına, boyutlarına ve yük yapılandırmalarına göre sınıflandırılmasına odaklanmaktadır. Drone sürülerinin ISAR görüntüleri, ANSYS Yüksek Frekanslı Yapısal Simülatör (HFSS) elektromanyetik simülasyon yazılımı kullanılarak üretilmiştir. Sürü yapıları, quadcopter dronlar kullanılarak modellenmiş ve oluşum tipleri, çizgi, çarpı, kare ve üçgen gibi temel geometrik şekillerle tasarlanmıştır. Sürülerdeki dronlar, orta, küçük ve mini olmak üzere üç boyutta kategorize edilmiştir. Ek olarak, yük dronları sürü yapılandırmalarına dahil edilmiştir. Yüksek çözünürlüklü ISAR görüntüleri elde etmek için radar ve simülasyon parametreleri optimize edilmiştir. Veri setini genişletmek için, ISAR görüntüleri çeşitli bakış açılarında (0° ila 350° arasında 10° artışlarla) oluşturulmuştur. ISAR görüntüleri kullanılarak sürü oluşumu tiplerinin belirlenmesi, görüntü tanıma aşamasında bir Evrişimsel Sinir Ağı (CNN) aracılığıyla gerçekleştirildi. Bunu takiben, nesne algılama aşamasında Sadece Bir Kez Bak (YOLO) algoritması kullanılarak drone boyutu ve yük tespiti gerçekleştirildi. Bu tezde elde edilen sonuçlar oldukça ümit vericidir. Genişletilmiş bir veri seti ve tespit algoritması sunarak, bu çalışma literatüre önemli katkıda bulunmaktadır.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Siniflandirmasi için Birden Fazla Aşamali Modüler Bir Yöntem
(2025) Maiga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.
Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem
(2025) Maıga, Bamoye; Dalveren, Yaser
Akıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.

Doktora Tezleri

Browse

Filters

Settings

Sort By

Results per page

Search Results