4 results
Search Results
Now showing 1 - 4 of 4
Master Thesis Düşük Kaliteli Görüntüler için Derin Öğrenmeye Dayalı Araç Sınıflandırması(2022) Taş, Sümeyra; Dalveren, Yaser; Pazar, ŞenolNüfusun artması ile birlikte ulaşımda kullanılan araç sayısı da artış göstermektedir. Araç sınıflandırması, otomatik ücret toplama sistemleri, trafik kontrol sistemleri, akıllı ulaşım sistemleri, otonom araçlar (ve daha fazlası) gibi değişik alanlarda bir ihtiyaçtır. Konvolüsyonel Sinir Ağı, derin öğrenmenin bir parçasıdır ve kısaca CNN olarak adlandırılır, görsel verilerle araç sınıflandırması için iyi bilinen, kullanılan bir modeldir. Ancak, düşük kaliteli görüntülere değinen çok fazla uygulama yoktur. Bu çalışma, CNN modellerinin 2 MP standart bir güvenlik kamerası kullanılarak bir araç sınıflandırma projesi için düşük kaliteli görüntülerle çalıştırılabileceğini ve kullanılabileceğini göstermektedir. Buna ek olarak, bu çalışma sıfırdan inşa edilmiş, özellik çıkarma için önceden eğitilmiş VGG16 ağı ve ince ayar için önceden eğitilmiş VGG16 ağı kullanan kendine ait az veri seti ile çalışarak üç CNN modeli sunmaktadır. Deneylerden elde edilen umut verici sonuçlar, düşük kaliteli görüntüler içeren bir veri seti kullanılsa bile araç sınıflandırmanın mümkün olabileceğini göstermektedir.Master Thesis Rüzgar Enerjisi için Hibrit Derin Öğrenme Modellerine Dayalı Tek Değişkenli Zaman Serisi Metodolojisi(2024) Öztekin, Anastasya; Ünlü, Kamil DemirberkRüzgar enerjisi günümüzde en çok tercih edilen yenilenebilir enerji alternatifi olarak kabul edilmekte ve küresel bir ilgi toplamaktadır. Ayrıca, rüzgar enerjisinin etkin kullanımı küresel ölçekte çevresel kaynakların korunmasına büyük ölçüde katkıda bulunmaktadır. Rüzgar enerjisinin değişkenliği göz önünde bulundurulduğunda, yenilenebilir enerji kaynaklarının verimli bir şekilde kullanılması için güvenilir bir tahmin geliştirmek çok önemlidir. Literatürde rüzgar enerjisinin doğru tahmini için birden fazla model geliştirilmiştir. Bu çalışmada bu sorunu gidermek için zaman serisi verilerine dayalı istatistiksel modeller kullanılmıştır. Bu çalışma, Diziden Diziye ve Evrişimli Sinir Ağı yaklaşımlarına dayalı tek değişkenli hibrit modeller geliştirerek Karaburun, İzmir, Türkiye'deki rüzgar santralleri tarafından üretilen rüzgar enerjisini tahmin etmeyi amaçlamaktadır. Çalışmanın tahmin aralığı kısa vadeden uzun vadeye kadar uzanmaktadır. En doğru tahmini belirlemek adına gerçek veriler kullanılarak çok sayıda hibrit model geliştirilmiştir. Karşılaştırma sonuçları, Evrişimli Sinir Ağı'nı Uzun Kısa Süreli Bellek hücresiyle istiflenmiş Diziden Diziye ile birleştiren hibrit modelin hem kısa hem de uzun vadede en doğru tahminleri sağladığını ortaya koymaktadır. Geliştirilen hibrit model, kısa vadeli tahminler için önemli bir değişim katsayısı ortaya koyar. Uzun vadeli tahminlerde, kısa vadeli tahminlere göre değişim katsayısında bir azalma olsa da ortalama hataların karesi, ortalama mutlak hata ve ortalama mutlak yüzde hata gibi belirleme metrikleri, modelin uzun vadeli tahminlerde doğruluğunu koruduğunu göstermektedir.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.Article Citation - WoS: 85Citation - Scopus: 133Detecting Cassava Mosaic Disease Using a Deep Residual Convolutional Neural Network With Distinct Block Processing(Peerj inc, 2021) Oyewola, David Opeoluwa; Dada, Emmanuel Gbenga; Misra, Sanjay; Damasevicius, RobertasFor people in developing countries, cassava is a major source of calories and carbohydrates. However, Cassava Mosaic Disease (CMD) has become a major cause of concern among farmers in sub-Saharan Africa countries, which rely on cassava for both business and local consumption. The article proposes a novel deep residual convolution neural network (DRNN) for CMD detection in cassava leaf images. With the aid of distinct block processing, we can counterbalance the imbalanced image dataset of the cassava diseases and increase the number of images available for training and testing. Moreover, we adjust low contrast using Gamma correction and decorrelation stretching to enhance the color separation of an image with significant band-to-band correlation. Experimental results demonstrate that using a balanced dataset of images increases the accuracy of classification. The proposed DRNN model outperforms the plain convolutional neural network (PCNN) by a significant margin of 9.25% on the Cassava Disease Dataset from Kaggle.
