23 results
Search Results
Now showing 1 - 10 of 23
Master Thesis Derin öğrenme ile orman yangını tespiti(2024) Özel, Berk; Khan, Muhammad UmerYangın algılama sistemleri can güvenliği ve maddi hasarın en aza indirilmesi açısından kritik öneme sahiptir. Bu tür sistemlerin hayati önem taşıdığı alanlardan biri de orman yangınlarıdır. Son yıllarda büyüklük, süre ve tahribat açısından rekor sayıda orman yangını yaşandı. Duman veya ısı sensörleri gibi geleneksel yangın algılama yöntemlerinin sınırlamaları vardır ve bu da ileri teknolojilere dayalı yenilikçi yaklaşımların ortaya çıkmasına neden olur. Bu tez, orman yangını tespiti için bir derin öğrenme modeli olan ResNet ile birlikte Batch-Instance Normalizasyonunun uygulanmasını incelemektedir. Çalışma, Batch-Instance Normalizasyonunun performansını diğer normalleştirme yaklaşımlarıyla karşılaştırmaktadır. Bu çalışmada modelin eğitimi için orman yangını veri seti kullanılmıştır. Bu veri seti 4609 görsel içermektedir. Bu görseller 2120 Yangın, 2499 yangın içermeyen görselden oluşmaktadır. ResNet modeli sekiz farklı optimize edici ile test edilmiş ve en iyi sonuçları veren ile eğitilmiştir. Deneyler, normalizasyon tekniklerinin ve optimize edicilerin yangın tespitinin doğruluğu üzerindeki etkisini değerlendirmektedir. Sonuçlar, tek üstel düzeltmeyle Batch-Instance Normalizasyonunun modelin doğruluğunu önemli ölçüde artırdığını göstermektedir. Deneyde model, 96.14% F1 skoruna, 96.56% doğruluğa ve 99.49% kesinlik değerlerine ulaşmıştır. Diğer yaklaşımlardan minimum %1 doğruluk farkı, %0,6 F1 skor farkı, %1,05 kesinlik farkı elde edilmiştir. Derin öğrenmenin yeteneklerini Batch-Instance Normalizasyonunuyla birleştirmek, orman yangını tespiti için umut verici ve etkili bir çözüm ortaya koydu.Article Citation - WoS: 5Citation - Scopus: 4Avoiding Contingent Incidents by Quadrotors Due To One or Two Propellers Failure(Public Library Science, 2023) Altinuc, Kemal Orcun; Khan, Muhammad Umer; Iqbal, JamshedWith the increasing impact of drones in our daily lives, safety issues have become a primary concern. In this study, a novel supervisor-based active fault-tolerant (FT) control system is presented for a rotary-wing quadrotor to maintain its pose in 3D space upon losing one or two propellers. Our approach allows the quadrotor to make controlled movements about a primary axis attached to the body-fixed frame. A multi-loop cascaded control architecture is designed to ensure robustness, stability, reference tracking, and safe landing. The altitude control is performed using a proportional-integral-derivative (PID) controller, whereas linear-quadratic-integral (LQI) and model-predictive-control (MPC) have been investigated for reduced attitude control and their performance is compared based on absolute and mean-squared error. The simulation results affirm that the quadrotor remains in a stable region, successfully performs the reference tracking, and ensures a safe landing while counteracting the effects of propeller(s) failures.Master Thesis Bilinmeyen Ortamlarda Robot Sürüleri için Algoritma Planlamada Etkin Bir Yol(2020) Abdı, Mohammed Isam Ismael; Khan, Muhammad UmerBirçok durumda birkaç mobil robot —bağımsız ajan— tek bir robot için gerçekleştirilmesi zor veya imkânsız hedefleri elde etmek amacıyla ekip halinde bir araya gelebilirler. Bu mobil robotlar belli bir görevi yerine getirmek için iş birliği yapabilirler, bu, sürünün büyüklüğüyle tam bir karşılıklı ilişki halindedir. Tek tek her robot sensörlerini kullanarak yerel ortamla karşılıklı olarak etkileşir. Sürü açısından birincil endişe başlangıçtan hedef yere kadar güvenli bir yolun tanımlanması ve izlenmesidir. Literatürde bu hedefin gerçekleştirilmesiyle ilgili Neural Network (Sinir Ağları), Genetic Algorithms (Genetik Algoritmalar), Bacterial Foraging Optimization (Bakteriyel Besin Arama Optimizasyonu), Ant Colony Optimization (Karınca Kolonisi Optimizasyonu), Artificial Potential Field (Yapay Potansiyel Alan), v.b. gibi pek çok algoritma mevcuttur. Bunlar arasında Bacterial Foraging Optimization (BFO) algoritması çalışma ortamında bilinen tüm engelleri göz önüne alarak güvenliği ve hedefin bulunmasını sağlamaktaki etkinliği nedeniyle pek çok bilimcinin dikkatini çekmektedir. Ayrıca, belirlenen yolu keşfeder ve doğru olarak izler. BFO kümeleşme prensiplerini ve doğadaki sosyal davranışlar analojisini kullanan, ilhamını biyolojiden alan doğrudan yaklaşımlı ama güçlü bir optimizasyon yöntemidir. BFO yassı bir yüzey haritası üzerinde engellerin varlığında başlangıçtan hedef noktaya kadar optimal yolu başarıyla araştırır. Ancak bu algoritma, konveks olmayan engellerin işe karışması durumunda yerel asgari şartlara sıkışmak gibi bir zayıflığa sahiptir. Sürünün robotlarından herhangi birinin sıkışıp kalması durumu görevinin tamamının başarısızlığı olarak görülmektedir. Bu araştırma BFO algoritmasının hem konveks olan hem de olmayan niteliklerdeki engellerden başarıyla kaçınılmasını sağlayan iyileştirilmiş bir versiyonunu önermektedir. Önerilen algoritma engele zıt yöndeki belli bir mesafeyi kapsayarak robotun yerel asgari değerlerden kurtulmasına yardım eder. Sert bir açıyla karşılaşıldığında algoritma güvenli bir yol oluşturmak için görsel engeller oluşturmaya başlar. Daha sonra bu bilgi diğer robotlara aktarılarak onların da yerel minimumlardan kaçınmaları sağlanır. Önerilen algoritmanın etkinliğinin test edilmesi için mevcut BFO algoritmasıyla bir karşılaştırma yapılmıştır. Her iki algoritmanın performansı bilinmeyen dinamik ve statik ortamlarda test edilmiştir. Sonuçlara göre, önerilen algoritmanın yerel minimumlardan başarıyla kurtulduğu ve BFO'nun sıkışıp kaldığı gözlenmiştir.Article Citation - WoS: 21Citation - Scopus: 36Deep Learning-Based Computer-Aided Diagnosis (cad): Applications for Medical Image Datasets(Mdpi, 2022) Kadhim, Yezi Ali; Khan, Muhammad Umer; Mishra, AlokComputer-aided diagnosis (CAD) has proved to be an effective and accurate method for diagnostic prediction over the years. This article focuses on the development of an automated CAD system with the intent to perform diagnosis as accurately as possible. Deep learning methods have been able to produce impressive results on medical image datasets. This study employs deep learning methods in conjunction with meta-heuristic algorithms and supervised machine-learning algorithms to perform an accurate diagnosis. Pre-trained convolutional neural networks (CNNs) or auto-encoder are used for feature extraction, whereas feature selection is performed using an ant colony optimization (ACO) algorithm. Ant colony optimization helps to search for the best optimal features while reducing the amount of data. Lastly, diagnosis prediction (classification) is achieved using learnable classifiers. The novel framework for the extraction and selection of features is based on deep learning, auto-encoder, and ACO. The performance of the proposed approach is evaluated using two medical image datasets: chest X-ray (CXR) and magnetic resonance imaging (MRI) for the prediction of the existence of COVID-19 and brain tumors. Accuracy is used as the main measure to compare the performance of the proposed approach with existing state-of-the-art methods. The proposed system achieves an average accuracy of 99.61% and 99.18%, outperforming all other methods in diagnosing the presence of COVID-19 and brain tumors, respectively. Based on the achieved results, it can be claimed that physicians or radiologists can confidently utilize the proposed approach for diagnosing COVID-19 patients and patients with specific brain tumors.Article Citation - WoS: 2Citation - Scopus: 1Autonomous Landing of a Quadrotor on a Moving Platform Using Motion Capture System(Springer, 2024) Qassab, Ayman; Khan, Muhammad Umer; Irfanoglu, BulentThis paper investigates the challenging problem of the autonomous landing of a quadrotor on a moving platform in a non-cooperative environment. The limited sensing ability of quadrotors often hampers their utilization for autonomous landing, especially in GPS-denied areas. The performance of motion capture systems (MCSs) in many application areas is the motivation to utilize them for the autonomous take-off and landing of the quadrotor in this research. An autonomous closed-loop vision-based navigation, tracking, and control system is proposed for quadrotors to perform landing based upon Model Predictive Control (MPC) by utilizing multi-objective functions. The entire process is posed as a constrained tracking problem to minimize energy consumption and ensure smooth maneuvers. The proposed approach is fully autonomous from take-off to landing; whereas, the movements of the landing platform are pre-defined but still unknown to the quadrotor. The landing performance of the quadrotor is tested and evaluated for three different movement patterns: static, square-shaped, and circular-shaped. Through experimental results, the pose error between the quadrotor and the platform is measured and found to be less than 30 cm. Introducing a holistic vision system for quadrotor navigation, tracking, and landing on stationary/moving platforms. Proposing an energy-efficient, smooth, and stable MPC controller validated by Lyapunov analysis. Validating the adept tracking and safe landings of the quadrotor on stationary/moving platforms through three diverse experiments.Master Thesis Kolektif Derin Öğrenme ve Transfer Öğrenme Yoluyla Mahsul ve Meyve Sınıflandırması(2023) Daşkın, Zeynep Dilan; Khan, Muhammad UmerSon yıllarda yapılan teknolojik gelişmeler, tarım sektörünü hızlı bir şekilde yeniden şekillendirerek, daha önce kullanılmakta olan geleneksel metotlarda devrim yaratıyor ve insanlık için daha sürdürülebilir ve üretken bir geleceğin yolunu açıyor. Tarım sektörü, makine öğrenmesi, sensor ve mekanizmaları kullanarak otomatikleşirken, aynı zamanda verimlilik artımı, kaynak yönetimi ve mahsul sağlığı açısından da köklü bir değişim yaşıyor. Bu tez çalışmasında, son teknoloji makine öğrenimi tabanlı görüntü işleme teknikleri ve algoritmaları kapsamlı bir şekilde araştırılmış ve analiz edilmiştir. Amaç, çeşitli mahsulleri, meyveleri ve sebzeleri doğru bir şekilde tespit eden, tanımlayan ve sınıflandıran sağlam metodolojiler geliştirmektir. Nihai hedef, gelişen tarımsal otomasyon endüstrisine önemli ölçüde katkıda bulunmak, süreçleri kolaylaştırmak ve tarım sektöründe verimliliği arttırmaktır. Gerçek yaşam koşullarına en yakın sonuçları elde etmek için, yazarların kendi oluşturduğu mahsul veri kümeleri bu araştırma boyunca önerilen algoritmalara entegre edilmiş ve kullanılmıştır. Bu çalışma sırasında kullanılan mevcut Evrişimsel Sinir Ağları algoritmaları AlexNet, GoogleNet, InceptionV3, SqueezeNet, DenseNet ve VGG-16'dır. Bu çalışmada, doğruluk, kayıp, F1-skoru, tahmin, kesinlik ve duyarlılık olmak üzere genel değerlendirme metriklerinin performansını yükseltmek için çeşitli gelişmiş algoritmalar araştırılmış ve incelenmiştir. Özellikle, tarımsal otomasyon sisteminin etkinliğini ve güvenilirliğini arttırmayı amaçlayan Kolektif Öğrenme ve Öğrenme Aktarımı adlı iki metot tanıtılmış ve kapsamlı bir şekilde analiz edilmiştir. Çalışmanın sonuçları, önerilen algoritmaların tarım endüstrisinde son derece etkili olduğunu ve istenen sonuçları benzersiz bir doğruluk ve hassasiyetle sunma yeteneklerini kanıtlamaktadır. Bu sonuçlar, bu algoritmaların operasyonel verimliliği önemli ölçüde arttırma, kaynak tahsisini optimize etme ve gelecek için tarımsal otomasyonda sürdürülebilir uygulamaları teşvik etme gibi potansiyellerini de göstermekte ve teyit etmektedir.Conference Object Citation - WoS: 4Sliding Mode Control for Autonomous Flight of Tethered Kite Under Varying Wind Speed Conditions(Ieee, 2020) Bari, Salman; Khan, Muhammad UmerHigh altitude wind is an energy-abundant source, representing the next generation of wind power technology. The power that can be extracted from wind grows cubically with wind speed, making higher altitudes a desirable choice to harvest wind energy. In this respect, large and fully-automated kites or planes can be used to capture such energy. Flight control is a key research area for using fully-automated kite power systems at utility scale. In this study, a novel control architecture is proposed for autonomous pattern 8 flight of tethered kites under varying wind speed conditions. The proposed scheme does not require a separate control system for turn maneuvers and straight flight path sections. Exponential reaching law-based Sliding Mode Control (SMC) and adaptive sliding mode control schemes are tested for flight control of a kite given a pre-specified trajectory. In this approach, the inversion of plant model is not required to address the problem of possible system instability, thus making the scheme proposed here more resilient towards system perturbations.Article Performance Investigation of ML Algorithms for Potato Blight Classification: The Role of Hyperparameter Tuning(Springer, 2026) Saeed, Sadia; Rehman, Hafiz Zia Ur; Hussain, Muhammad Ureed; Khan, Muhammad Umer; Saeed, Muhammad TallalPotato is the world's fourth most important food crop, consumed by over a billion people. Early and late blight diseases can reduce yields by up to 40%, leading to severe economic and food security challenges. While manual detection methods are prone to error, automated, image-based machine learning (ML) offers a promising alternative, though its performance depends strongly on proper optimization. This study investigates the role of hyperparameter tuning in improving ML algorithms for potato blight classification. We utilized two datasets: the PlantVillage dataset (500 images per class) and a region-specific Potato Leaf Dataset (PLD) from Pakistan (1628 early blight, 1424 late blight, 1020 healthy). All images were resized to 256 & times; 256 pixels and augmented. Features were extracted using the Bag-of-Features (BoF) technique, and four classic ML models-Support Vector Machine (SVM), k-Nearest Neighbors (kNN), Linear Discriminant Analysis (LDA), and Random Forest (RF)-were trained. Hyperparameters were optimized via grid search with 5-fold cross-validation. This tuning led to measurable improvements; for instance, SVM accuracy increased from 93.0% to 95.9% on PlantVillage and from 85.0% to 87.0% on PLD. Evaluation using precision, recall, F1-score, and specificity confirmed SVM as the best-performing model. A confusion matrix analysis revealed that most misclassifications occurred between the two blight types due to visual similarity. To translate our findings into practice, we developed a MATLAB Graphical User Interface (GUI) that enables farmers to classify a leaf image in under three seconds and receive precautionary recommendations. This study demonstrates that systematic hyperparameter optimization is crucial for maximizing ML performance and is a key step in building accessible, real-time tools for precision agriculture. Future work will focus on extending the system to mobile and web platforms.Review Citation - WoS: 22Citation - Scopus: 36Review of Modern Forest Fire Detection Techniques: Innovations in Image Processing and Deep Learning(Mdpi, 2024) Ozel, Berk; Alam, Muhammad Shahab; Khan, Muhammad UmerFire detection and extinguishing systems are critical for safeguarding lives and minimizing property damage. These systems are especially vital in combating forest fires. In recent years, several forest fires have set records for their size, duration, and level of destruction. Traditional fire detection methods, such as smoke and heat sensors, have limitations, prompting the development of innovative approaches using advanced technologies. Utilizing image processing, computer vision, and deep learning algorithms, we can now detect fires with exceptional accuracy and respond promptly to mitigate their impact. In this article, we conduct a comprehensive review of articles from 2013 to 2023, exploring how these technologies are applied in fire detection and extinguishing. We delve into modern techniques enabling real-time analysis of the visual data captured by cameras or satellites, facilitating the detection of smoke, flames, and other fire-related cues. Furthermore, we explore the utilization of deep learning and machine learning in training intelligent algorithms to recognize fire patterns and features. Through a comprehensive examination of current research and development, this review aims to provide insights into the potential and future directions of fire detection and extinguishing using image processing, computer vision, and deep learning.Article Citation - WoS: 10Citation - Scopus: 13Escaping Local Minima in Path Planning Using a Robust Bacterial Foraging Algorithm(Mdpi, 2020) Abdi, Mohammed Isam Ismael; Khan, Muhammad Umer; Gunes, Ahmet; Mishra, DeeptiThe bacterial foraging optimization (BFO) algorithm successfully searches for an optimal path from start to finish in the presence of obstacles over a flat surface map. However, the algorithm suffers from getting stuck in the local minima whenever non-circular obstacles are encountered. The retrieval from the local minima is crucial, as otherwise, it can cause the failure of the whole task. This research proposes an improved version of BFO called robust bacterial foraging (RBF), which can effectively avoid obstacles, both of circular and non-circular shape, without falling into the local minima. The virtual obstacles are generated in the local minima, causing the robot to retract and regenerate a safe path. The proposed method is easily extendable to multiple robots that can coordinate with each other. The information related to the virtual obstacles is shared with the whole swarm, so that they can escape the same local minima to save time and energy. To test the effectiveness of the proposed algorithm, a comparison is made against the existing BFO algorithm. Through the results, it was witnessed that the proposed approach successfully recovered from the local minima, whereas the BFO got stuck.
- «
- 1 (current)
- 2
- 3
- »