Browsing by Author "Güney, Selda"

Now showing 1 - 16 of 16

Artık blok destekli U-Net mimarisi kullanarak görüntü steganografisi ve gizli veri boyutunun analizi
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2024) Şener, Dilara; Güney, Selda
Günümüz iletişim sistemlerinde veri güvenliği, hayati bir öneme sahiptir. Temel amaç, hassas bilgilerin yetkisiz kişilerin eline geçmeden veya anlaşılamayacak şekilde güvenli bir biçimde hedefe iletilmesidir. Dijital teknolojideki gelişmeler ve cihazların yaygınlaşması veri güvenliği konusunda yeni zorlukları da beraberinde getirmektedir. Özellikle bankacılık, sağlık sektörü ve özel yaşam gibi alanlarda veri güvenliği daha da önem kazanmıştır. Bu bağlamda, steganografi gibi veri gizleme yöntemleri, kötü niyetli erişimlerden korunma amacıyla öne çıkmaktadır. Steganografi, önemli bilgileri fark edilmeden dijital medyaların içine gizleyerek, bu bilgilerin sadece gönderici ve alıcı tarafından bilinmesini sağlayan bir yöntem olması nedeniyle bilgi güvenliği alanında sıkça kullanılan yöntemlerden biridir. Bu tez çalışmasında, temel amaç, artık blok destekli U-Net mimarisi kullanılarak 256x256 boyutlarındaki renkli mesaj görüntülerinin aynı boyutlardaki kapak görüntülerine etkili bir şekilde gizlenmesini sağlamaktır. Literatürdeki çalışmalarda genellikle görüntü segmentasyonu amacıyla kullanılan klasik U-Net mimarisi, bu çalışmada veri gizleme ve çıkarma amacıyla düzenlenerek kullanılmıştır. Modelin test edilmesi aşamasında, iki farklı analiz yapılmıştır. İlk analiz kapsamında, literatürdeki mevcut çalışmalardan farklı olarak, Linnaeus 5 veri seti kullanılarak 32x32, 64x64, 128x128, ve 256x256 olmak üzere farklı boyutlardaki renkli mesaj görüntülerinin kapak görüntüsü üzerindeki etkisini incelemiştir. İkinci analiz kapsamında, farklı karakteristik özelliklere sahip görüntüler üzerinde genelleştirme yeteneğini ölçmek amacıyla model, Linnaeus 5 veri setine ek olarak ImageNet ve Labeled Faces in the Wild (LFW) veri setleri ile de test edilmiş ve ölçüm metrikleri elde edilmiştir. Elde edilen sonuçlar literatürde yer alan diğer çalışmalarla kıyaslanmıştır. Gerçekleştirilen kapsamlı literatür taramasından elde edilen mevcut bilgiler çerçevesinde, çalışmanın literatürdeki mevcut derin öğrenme algoritmalarına kıyasla Tepe Sinyal-Gürültü Oranı (Peak Signal to Noise Ratio, PSNR) ve Yapısal Benzerlik İndeksi Ölçümü (Structural Similarity Index, SSIM) açısından umut verici sonuçlar verdiği değerlendirilmektedir. Elde edilen analiz sonuçları hem yüksek veri gizleme kapasitesi hem de yüksek algılanamazlık düzeyinin elde edildiğini göstermektedir. Tez çalışması kapsamında ayrıca kapak görüntüleri karmaşıklık düzeylerine göre kategorize edilerek iki ayrı kategorideki bu resimlere aynı gizli görüntülerin gizlenmesiyle elde edilen ölçüm sonuçları değerlendirilmiştir. Böylece, karmaşıklık düzeyine göre optimum kapak resmi seçilmesi konusunda istatistiksel bir değerlendirme yapılmıştır.In modern communication systems, data security is of paramount importance. The primary goal is to ensure that sensitive information is transmitted to the intended recipient securely and unintelligibly to unauthorized individuals. Advancements in digital technology and the proliferation of devices have introduced new challenges in data security. In fields such as banking, healthcare, and personal privacy, the importance of data security has become increasingly critical. In this context, methods of data concealment like steganography have gained prominence for their ability to protect against malicious access. Steganography, by discreetly embedding crucial information within digital media, ensures that the data is only known to the sender and the receiver, making it a frequently employed method in the field of information security. This thesis is primarily focused on employing the U-Net architecture, which is supported by residual blocks, for the efficient concealment of colored message images of 256x256 dimensions within cover images of identical size. The classical U-Net architecture, traditionally used for image segmentation in the literature, has been adapted in this study for data hiding and extraction. During the testing phase of the model, two distinct analyses were conducted. Differing from existing studies, the first analysis investigated the impact of colored message images of various sizes (32x32, 64x64, 128x128, and 256x256) on the cover image using the Linnaeus 5 dataset. The second analysis aimed to measure the generalization capability of the model on images with different characteristics, employing additional datasets such as ImageNet and Labeled Faces in the Wild (LFW), and the results were compared with other studies in the literature. Comprehensive analyses have shown promising results in terms of Peak Signal to Noise Ratio (PSNR) and Structural Similarity Index Measure (SSIM) compared to current deep learning algorithms in the literature, to the best of our knowledge. The results demonstrate both a high capacity for data concealment and a high level of imperceptibility. Additionally, as part of the thesis work, cover images categorized based on their complexity levels and evaluates the measurement results obtained by embedding the same secret images into these two different categories. This provides a statistical assessment for selecting the optimum cover image based on complexity level.
Bir ilin elektrik tüketim verilerinin makine öğrenmesi yöntemleri ile analizi
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Gezmez, Kadir Çağrı; Güney, Selda
Elektrik dağıtım şirketleri, sahip oldukları abonelerine, elektriksel tüketimlerini “Piyasa Yönetim Sistemi” aracılığı bildirmekle yükümlüdür. Elektrik dağıtım şirketleri, ay sonu tüketim değerleri olmayan, yani okuma verisi bulunmayan tüketicilerine, tüketim değerlerini tahmin metotlarıyla bildirmektedirler. Bu tezin amacı, Enerji Piyasası Düzenleme Kurumu’nun belirlemiş olduğu ve hala kullanılmakta olan tüketim tahminleme metodolojisinin yanı sıra makine öğrenmesi yöntemleri ile tahminleme yapmaktır. Bu çalışmada, makine öğrenmesi yöntemleri kullanılarak, doğrusal regresyon ve uzun-kısa süreli bellek (LSTM) yöntemleriyle, MATLAB ortamında analizler yapılmıştır. Başarı kriteri olarak Kök Ortalama Kare Hatası (Root Mean Square Error, RMSE), kriter olarak belirlenmiş ve kullanılan yöntemlerden en başarılı sonucu doğrusal regresyon analizi yöntemi sağlamıştır. Bu kapsamda yapılan çalışmalar ile doğrusal regresyon, uzun-kısa süreli bellek ve Enerji Piyasası Düzenleme Kurumu ‘nun Tahminleme Metodolojisi yöntemlerinin karşılaştırması yapılmış olup, tutarlı ve başarılı sonuçlar elde edildiği gözlemlenmiştir. Electricity distribution companies are obliged to inform their subscribers about their electricity consumption through the “Market Management System”. Electricity distribution companies inform their consumers who do not have consumption values at the end of the month, that is, they do not have reading data, by estimating consumption values. The aim of this thesis is to make estimations with machine learning methods as well as the consumption forecasting methodology determined by the Energy Market Regulatory Authority and which is still being used. In this study, analyses were performed using machine learning methods, linear regression and long-short-term memory (LSTM) methods in MATLAB environment. Root Mean Square Error (RMSE) method was determined as the success criterion and linear regression analysis method provided the most successful result of the methods used. In this context, the studies of linear regression long short term memory and Energy Market Regulatory Authority‘s methodology, a comparison of estimation methods is made, and observed that consistent and successful results are obtained.
Derin ağ tabanlı özniteliklerle gazların sınıflandırılması ve konsantrasyon değerlerinin regresyon analizi
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2023) Bakiler, Hande; Güney, Selda
Elektronik burun (e-burun), kimyasal sensör dizilimi ile biyolojik malzemelerden yayılan uçucu bileşikler üzerinde hassas ölçümler yaparak çeşitli özellikleri belirleyen, tanımlayan ve sınıflandıran elektronik algılama teknolojisine dayalı bir cihazdır. İnsan koku alma mekanizmasını taklit ederek çalışan bu sistemler, son yıllarda farklı alanlarda yaygın olarak kullanılmaktadır. E-burundaki önemli konulardan biri de farklı gazların farklı konsantrasyon değerlerinin tahmin edilmesidir. Gaz konsantrasyonlarının doğru bir şekilde tahmin edilmesi, hastalık tespiti gibi hassas konularda da çok önemli bir rol oynamaktadır. Bu çalışma, derin öğrenme (Deep Learning, DL) ağlarını kullanarak 4 adet metal oksit gaz sensörü tarafından tespit edilen etanol, metan, etilen ve karbon monoksit gazlarının konsantrasyon seviyelerinin ve değerlerinin sınıflandırma ve regresyon başarılarının artırılması amacıyla yapılmıştır. Gazların konsantrasyon seviyelerine göre sınıflandırma başarılarının karşılaştırılmasında ve belirli bir aralıktaki konsantrasyon değerlerinin tahmin başarılarının karşılaştırılmasında farklı yöntemler kullanılmıştır. Bu işlemlerin gerçekleştirilmesi için gaz verilerine ön işleme ve farklı öznitelik çıkarımı adımları uygulanmıştır. Bu çalışmanın odak noktası, öznitelik çıkarımı yapılmasında yeni yöntemler geliştirerek sınıflandırma ve regresyondan elde edilen başarının artırılmasıdır. Bu amaçla, iki yeni metodoloji önerilmiştir. Geliştirilen yöntemlerden birinde, derin öğrenme ağlarından biri olan Uzun Kısa-Süreli Bellek (Long Short-Term Memory, LSTM) ağlarının tam bağlantılı katmanından öznitelik çıkarımı yapılmış, çıkarılan öznitelikler sınıflandırma ve regresyonda kullanılmıştır. Önerilen diğer metodolojide ise LSTM ağının tam bağlantılı katmanından elde edilen veriler Zamansal Evrişimli Ağ (Temporal Convolutional Network, TCN) modeline giriş olarak uygulanmıştır ve bu TCN’nin tam bağlantılı katmanından elde edilen özniteliklerde sınıflandırma ve regresyon çalışmalarında kullanılmıştır (LSTMFCLTCNFCL). Önerilen her iki yöntemin sonuçları geleneksel yöntemlere göre karşılaştırıldığında hem sınıflandırma hem de tahmin sonuçlarında iyileşme olduğu, başarının arttığı ve ortalama karesel hataların da önemli ölçüde azaldığı görülmektedir. Ayrıca, ön işleme aşamasında sinyal düzeltme uygulandığı zaman sonuçlarda dikkate değer bir şekilde artış olduğu da görülmektedir. Hem sinyal düzeltmenin uygulanması hem de geliştirilen yöntemlerle sonuçlarda iki taraflı bir iyileşme olması sağlanmıştır. Sınıflandırmada Destek Vektör Makinesi (Support Vector Machines, SVM) algoritması 94,7% ile en yüksek doğruluk oranını verirken, regresyonda ise en düşük ortalama karesel hatalar Gauss Süreci Regresyonu (Gaussian Process Regression, GPR) ile elde edilmiştir. Electronic nose (e-nose) is a device based on electronic sensing technology that determines, identifies and classifies various properties by making precise measurements on volatile components emitted from biological materials with a chemical sensor array. These systems, which work by imitating the human olfactory mechanism, have been widely used in different fields in recent years. One of the important issues in e-nose is the estimation of different concentration values of different gases. Accurate estimation of gas concentrations plays a crucial role in sensitive issues such as disease detection. This study was carried out to increase the classification and regression success of the concentration levels and values of ethanol, methane, ethylene and carbon monoxide gases detected by 4 metal oxide gas sensors using deep learning networks. Different methods was used to compare the classification successes of gases according to their concentration levels and to compare the estimation successes of concentration values in a certain range. In order to perform these operations, preprocessing and different feature extraction steps were applied to the gas data. The focus of this study is to increase the success of the classification and regression by developing new methods for feature extraction. For this purpose, two new methodologies have been proposed. In one of the developed methods, feature extraction was made from the fully connected layer of Long Short-Term Memory (LSTM) networks, which is one of the deep learning networks, and the extracted features were used in the classification and regression. In the other proposed methodology, the data obtained from the fully connected layer of the LSTM network was applied as an input to the Temporal Convolutional Network (TCN), and the features obtained from the fully connected layer of this TCN were used in classification and regression studies (LSTMFCL-TCNFCL). When the results of both proposed methods are compared with the traditional methods, it is seen that there is an improvement in both classification and estimation results, the success is increased and the mean squared errors are significantly reduced. In addition, it is seen that there is a remarkable increase in the results when signal correction is applied in the preprocessing stage. Both the application of signal correction and the developed methods have provided a bilateral improvement in the results. While the Support Vector Machine algorithm gave the highest accuracy rate with 94,7% in the classification, the lowest mean square errors in regression were obtained with the Gaussian Process Regression.
Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2024) Usanmaz, Kemal; Güney, Selda
Günümüzde trafik güvenliği ve sürüş deneyimi, gelişmiş sürücü destek sistemlerini (Advanced Driver Assistance System, ADAS) önemli ölçüde etkilenmektedir. Sürücüler için önemli bilgiler taşıyan, uyarıcı niteliğinde olan ve trafiğin düzenli akışını sağlayan trafik işaretleri çoğu zaman sürücüler tarafından fark edilemez veya trafik işaretine bakma esnasında sürücünün dikkatini dağıtabilir, bunun sonucunda da çeşitli kazalar meydana gelir. Bu sebeple ADAS’ın içinde yer alan trafik işaretlerini algılayan ve sınıflandıran sistemler mevcuttur. Derin öğrenme teknikleri, özellikle de konvolüsyonel sinir ağı (Convolutional Neural Network, CNN) mimarileri üzerinden yapılan çalışmalar, bu alanda önemli ilerlemelere yol açmıştır. Bu tez çalışmasında derin öğrenme yöntemlerinden CNN kullanılarak sınıflandırma işlemleri gerçekleşmiş ve seçilen algoritmalardan hangisinin gerçek zamanlı bir sistemde en iyi performansı gösterdiği tespit edilmiştir. Bu çalışmada veri seti olarak, 43 sınıftan oluşan ve 39209 trafik işareti görüntüsü içeren Alman Trafik İşaretleri Bulma Veri Seti (German Traffic Sign Recognition Benchmark, GTSRB) kullanılmıştır. Veri setinin CNN algoritmalarına etkisini belirleyebilmek için veri arttırma teknikleri kullanılarak yeni veri kümeleri GTSRB’den türetilmiştir. Literatür araştırması sonucu seçilen SqueezeNet, GoogleNet, ResNet50 ve AlexNet algoritmaları için en iyi performansı verecek hiper parametreler sistematik bir yöntemle belirlenmiş, Matlab yazılımıyla oluşturulan kullanıcı arayüzüyle gerçek zamanlı sınıflandırma testleri yapılmıştır. Gerçek zamanlı testlerin sonucunda ResNet50 algoritmasının, %93,49 sınıflandırma doğruluk oranı ile gerçek zamanlı bir sistemde çalışabileceği gösterilmiştir. Nowadays, traffic safety and driving experience are significantly affected by advanced driver assistance systems (ADAS). Traffic signs, which carry important information for drivers, serve as a warning and ensure the orderly flow of traffic, often cannot be noticed by drivers, or may distract the driver while looking at the traffic sign, resulting in various accidents. For this reason, there are systems that detect and classify traffic signs within ADAS. Studies on deep learning techniques, especially convolutional neural network (CNN) architectures, have led to significant advances in this field. In this study, classification processes were carried out using CNN, one of the deep learning methods, and it was determined which of the selected algorithms showed the best performance in a real-time system. In this study, the German Traffic Sign Recognition Benchmark (GTSRB), which consists of 43 classes and contains 39209 traffic sign images, was used as the data set. In order to determine the effect of the dataset on CNN algorithms, new datasets were derived from GTSRB using data augmentation techniques. The hyper parameters that will give the best performance for the SqueezeNet, GoogleNet, ResNet50 and AlexNet algorithms selected as a result of literature research were determined with a systematic method, and real-time classification tests were carried out with the user interface created with Matlab software. As a result of real-time tests, it has been shown that the ResNet50 algorithm can work in a real-time system with a classification accuracy rate of 93.49%.
Gaz sensörlerinde çok değişkenli kalibrasyon yöntemlerinin incelenmesi
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2018) Ergün, Gülnur Begüm; Güney, Selda
Gaz sensörlerinin uzun süreli kullanıldığı elektronik burun (e-nose) uygulamalarında, sensörler üzerinde istenmeyen bir sapma (drift) etkisi meydana gelir. Bu etki verilerin analizinde çok etkin olup ölçüm sonuçlarının doğru analizini de engellemektedir. Gaz sensör dizilerinden oluşan farklı cihazlar arasında da benzer sapma sorunları meydana gelmektedir. Bu etkilerin azaltılması, yani gelecek verilerin daha iyi tahmin edilmesi, amacı ile kalibrasyon yöntemi geliştirerek sensörden gelecek yeni verilere karşı iyi bir tahmin performansı elde etmek mümkün olabilir. Bu çalışma kapsamında, çevrimiçi olarak erişilebilen öznitelikleri çıkarılmış hazır bir veri seti üzerinde çok değişkenli kalibrasyon yöntemlerinden olan doğrudan standartlaştırma (direct standardization-DS), ortogonal sinyal düzeltimi (orthogonal signal correction-OSC) ile parçalı doğrudan standartlaştırma (piecewise direct standardization-PDS) yöntemleri uygulanmıştır. Ayrıca yine bu yöntemler; aynı veri setinin öznitelik seçimi yapılmış haline uygulanmış ve sonuçların tümü karşılaştırılarak en başarılı yöntem, sınıflandırma başarı oranlarına bakılarak bulunmaya çalışılmıştır. Sonuçlara göre; öznitelik seçimi yapılan veri setine uygulanan kalibrasyon yöntemleri, ham veri setine oranla daha başarılı olmuştur. Böylece daha az veri ile kalibrasyonun başarılı bir şekilde gerçekleşebileceği gözlemlenmiştir. Bu çıktının gelecek çalışmalarda yeni bir perspektif yaratacağı düşünülmektedir. In many electronic nose applications where gas sensors utilizing for a long time, there is an undesirable drift effect on the sensors, which affects the classification quality negatively. Although the sensor drift is inevitable, it is possible to reduce this effect with the calibration transfer methods. This paper presents a comparison study of various multivariate standardization methods to facilitate an effective calibration way on a comprehensive dataset, which is reachable on-line. In this study, three methods applied: direct standardization (DS), orthogonal signal correction (OSC) and piecewise direct standardization (PDS). In addition, these three methods are applied the data, which consisted of selected features. The results have shown that the classification success has increased with multivariate calibration technique applied to the selected features. The results also demonstrate that using the best features in the signal processing part can play an important role for the calibration success. This outcome may lead to a new perspective for the future works.
İnsan hareketlerinin kinect sensör kullanılarak sınıflandırılması
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Açış, Büşra; Güney, Selda
Son yıllarda sağlık ve güvenlik gibi birçok alanda insan hareketlerini sınıflandırmaya yönelik çalışmalar yapılmaktadır. Son yıllarda kullanım alanı daha çok gelişen görüntü işleme ve sınıflandırma algoritmaları bu alanda da kullanılmaya başlanmıştır. Bu sınıflandırma algoritmalarının öncül yöntemleri makine öğrenmesi ve derin öğrenmedir. Bu çalışmada, Kinect sensör kullanılarak elde edilen veri seti üzerinde insan hareketlerinin sınıflandırılması yapılmıştır. Kullanılan veri seti içerisinde gerçek zamanlı insan duruş bilgilerinin ve görüntülerinin bulunduğu literatürde hazır halde bulunan CAD60 veri setidir. Bu veri setinde, farklı insanların farklı hareketlerini/duruşlarını içeren veriler bulunmaktadır. Bu çalışma kapsamında, MATLAB uygulaması kullanılarak derin öğrenme tabanlı ve makine öğrenme tabanlı yöntemlerle insan hareketlerini sınıflandırma yapılmıştır. Ham veri seti üzerinde, geriye doğru öznitelik seçme (BFS) ile elde edilen verilerle ve Uzun Kısa Süreli Bellek (Long Short Term Memory – LSTM) ile öznitelik çıkarma ile elde edilen verilere makine öğrenmesi tabanlı metotlar uygulanarak sınıflandırma çalışmaları yapılmıştır. Bunu yanı sıra LSTM, Evrişimsel Sinir Ağları (Convolutional Neural Network, CNN) ile sıfırdan öğrenme (learn from scratch) ve öğrenme aktarımı (transfer learning) yöntemi ile insan hareketleri sınıflandırılmıştır. Bu altı yöntemin sonunda elde edilen başarı değerleri birbirleri ile kıyaslanmıştır ve maksimum başarı değeri LSTM ile öznitelik çıkarma yönteminde elde edilmiştir. In recent years, studies have been carried out to classify human movements in many areas such as health and safety. Image processing and classification algorithms, which have been used more in recent years, have started to be used in this field as well. The predecessor methods of these classification algorithms are machine learning and deep learning. In this study, the classification of human movements was made on the data set obtained using the Kinect sensor. It is the CAD60 dataset, which is available in the literature, which contains real-time human posture information and images in the data set used. In this dataset, there are data containing different movements/stances of different people. Within the scope of this study, human movements were classified using deep learning-based and machine learning-based methods using MATLAB application. Classification studies were carried out by applying machine learning-based methods to the data obtained by backward feature selection (BFS) and feature extraction with Long Short Term Memory (LSTM) on the raw data set. In addition, human movements are classified with LSTM, Convolutional Neural Networks (CNN), learn from scratch and transfer learning method. The success values obtained at the end of these six methods were compared with each other and the maximum success value was obtained in the feature extraction method with LSTM.
İstikamet-Durum bilgisi veren sistem sensörlerinin hata parametrelerinin kestirimi ve analizi
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2018) Atasoy, Emre; Güney, Selda
İstikamet-Durum bilgisi veren sistem, ataletsel ölçüm birimi ve manyetometre sensörlerini kullanarak bir cismin yalpalanma, yunuslama, savrulma açılarını bir düzlemi referans alarak kestirim yapmaktadır. İstikamet-Durum bilgisinin kestirimi için ileri kestirim algoritmalarından faydalanır. Sensör hataları, kestirim performansını yani sistem performansını etkileyen önemli etkenlerdendir. Bu durumda İstikamet -Durum bilgisi veren sistemin ne kadar iyi çalışacağını ataletsel ölçüm birimi ve manyetometrenin performansı belirler. Bu tez çalışmasında ataletsel ölçüm birimi ve manyetometre hata parametrelerinin kestirim çalışmalarına yer verilmiştir. Ataletsel ölçüm birimi hata kestiriminden önce sıcaklığa bağımlı hatanın telafisi için sıcaklık kalibrasyonu yapılmış, sonra hata parametrelerinin kestirimi için iki ayrı yöntem olan Allan deviasyon ve güç tayf yoğunluğu yöntemlerine başvurulmuş ve sonuçları karşılaştırılmıştır. Önerilmiş yöntemler ayrıca denenmiş ve performansları irdelenmiştir. Manyetometrenin sert-demir ve yumuşak-demir hata parametreleri belirlenerek hataların telafisi sağlanmıştır. Hata telafisi yapılmış sonuçlar hatalı sonuçlar ile karşılaştırılıp yorumlanmıştır.Ataletsel ölçüm birimi verileri robotik seviye düşük maliyetli bir MEMS sensör modülü ile elde edilmiştir. Manyetometre verileri için düşük maliyetli hall sensörü tipi bir manyetometre kullanılmıştır. Attitude-heading reference system estimates roll, pitch and yaw angles by taking a plane as reference using inertial measurement unit and magnetometer sensors. It utilizes advance estimation algorithm while estimating attitude-heading information. The error parameters of inertial measurement unit and magnetometer sensors are key factors that affect estimation performance, in other words the system performance. In this thesis, estimation studies of inertial measurement unit and magnetometer error parameters have been performed. Before estimating the errors parameters of inertial measurement unit, temperature calibration has been done to compensate temperature dependent error. Then, two different methods that are Allan deviation and power spectral density methods have been applied for error parameter estimation and the results have been compared. In addition, the proposed methods have been tested and their performances have been examined. Soft-iron and hard-iron error parameters of magnetometer have been estimated and compensated. The compensated and erroneous results have been compared. Inertial measurement unit datum have been obtained with robotics grade low cost MEMS sensor module. Low cost hall sensor type magnetometer have been used for magnetometer datum.
Kağıt bardak makinesinin otomasyonu ve gerçek zamanlı görüntü işlemeye dayalı ürün tespit yöntemi
(2022) Aydın, Alaaddin; Güney, Selda
Ülkemizde kâğıt bardak üretimi yapan firma sayısı her geçen gün giderek artmaktadır. Karton bardak basımı yapan makineler Çin, Kore vb. ülkelerde üretilmektedir. Türkiye’de de yerli olarak üretilen makineler vardır. Bu makinelerde bardaklar 4, 7, 8, 12 oz diye tabir edilen ölçülerde basılmaktadır. Servo motor, asenkron motor gibi motorlar ile makineler kontrol edilmektedir. Makine üstüne takılan sensörler ve ısıtıcı rezistanslar yardımıyla kaliteli ve fire kaybı az olan bardaklar basılmaktadır. Bu çalışmada daha önce üretimi yapılmış olan bardak basma makinesini servo motor, asenkron motor ve PLC ile kontrol ederek, görüntü işleme tabanlı hata tespiti yapan ve hatalı ürünü ayıklayan bir sistem tasarlanmıştır. Hata tespiti için gerçek zamanlı bir kamera aracılığıyla derin öğrenme yöntemlerinden Yolo ve Haarcascade algoritmaları kullanılarak sınıflandırma, OpenCv kütüphanesi kullanılarak da gerçek zamanlı nesne tespiti gerçekleştirilmiştir. Tespit edilen hatalı bardak bir piston ile üretim bandından alınıp bir kutuya atılmaktadır. Sensörler, servo motor enkoderi ve kullanıcı tarafından gelen komutlarla servo motor sürücüsüne komutlar verilmektedir. Asenkron sürücü parametreleri sürücü üzerinden ayarlanmaktadır. Bütün komutlar kullanıcı tarafından bir ekran üzerinden girilebilmekte ve üretilen ürünlerin sayısı yine ekran üzerinde kurulan sistem üzerinden izlenebilmektedir. Çalışmanın yapay zeka kısmında hatalı bardakların tespiti için önceden kendi oluşturduğumuz veri setinden alınan veriler Python dilinde ve Google Colab ortamında, YOLO algoritmasının modelleri ile sınıflandırılmıştır. Modeller eğitildikten sonra Jupyter Lab (tümleşik geliştirme ortamı) üzerinde OpenCv kütüphaneleri kullanılarak gerçek zamanlı olarak kameradan gelen veriler tespit edilmiştir. Haarcascade algoritması kullanılarak eğitilen modeller, gerçek zamanlı olarak PyCharm üzerinde OpenCv kütüphanesi kullanılarak tespit edilmiştir. Farklı derin öğrenme yöntemlerinin gerçek zamanlı sistemde performans üzerine etkisi incelenmiş ve başarılı sonuçlar elde edilmiştir. En başarılı sonuç Yolov5x mimarisi kullanılarak gerçekleştirilen gerçek zamanlı uygulamada % 90,8 doğruluk oranı ile elde edilmiştir. The number of companies producing paper cups in our country is increasing day by day. Paper cup printing machines are produced in countries such as China, Korea, etc. There are also domestically produced machines in Turkey. These machines can print paper cups in sizes called 4, 7, 8, 12 oz. Machines are controlled by motors such as servo motors and asynchronous motors. With the help of sensors and heating resistances mounted on the machine, high quality cups with less waste loss are printed. In this study, a system that controls the previously produced cup press machine with servo motor, asynchronous motor and PLC, makes image processing based error detection and removes the faulty product is designed. For error detection, classification using the deep learning methods Yolo and Haarcascade algorithms through a real-time camera, and real-time object detection using the OpenCv library. The detected faulty cup is taken from the production line with a piston and thrown into a box. Commands are given to the servo motor driver with the commands from the sensors, the servo motor encoder and the user. Asynchronous drive parameters are set on the drive. All commands can be entered by the user on a screen and the number of products produced can be monitored over the system installed on the screen. In the artificial intelligence part of the study, the data obtained from the dataset we created beforehand for the detection of faulty cups were classified with the models of the YOLO algorithm in the Python language and Google Colab environment. After the models were trained, data from the camera were detected in real time using OpenCv libraries on Jupyter Lab (integrated development environment). The data trained using the Haarcascade algorithm were detected in real time using the OpenCv library on PyCharm. The effect of different deep learning methods on performance in the real-time system has been examined and successful results have been obtained. The most successful result was obtained with 90.8% accuracy in real-time application using Yolov5x architecture.
Köpeklerin Uzun Kemiklerinin ve Uzun Kemiklerindeki Kırıkların Sınıflandırılması
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Cangöz, Gülnur Begüm; Güney, Selda
Son yılların en popüler konularından olan derin öğrenme algoritmaları, biyomedikal alanındaki problemlerin çözümünde önemli bir role sahiptir. Çeşitli görüntüleme yöntemleri ile elde edilen görüntüler kullanılarak hastalık ve kırık tespiti, biyolojik veri kestirimi, doku ve organ bölütlemesi, eksik veri tamamlanması gibi birçok uygulama bu algoritmalar sayesinde başarılı bir şekilde gerçekleştirilebilmektedir. Özellikle kemiklerdeki kırık tespiti, bu alanda en çok çalışılan konuların başında gelmektedir. Ancak bahsi geçen uygulamaların büyük bir çoğunluğu beşeri hekimlikte yer edinirken, veteriner tıpa hizmet eden uygulamalar daha geri planda bırakılmıştır. Özellikle literatürde bu alandaki eksikliğin fark edilmesi, tez konusunun en büyük motivasyon kaynağı olmuştur. Bu tez çalışması kapsamında, Ankara Büyükşehir Belediyesi Sokak Hayvanları Geçici Bakım Evi’nden alınan, köpeklere ait X-ray görüntülerini içeren geniş kapsamlı bir veri seti meydana getirilmiştir. X-ray görüntülerinden uzun kemiğin çeşidinin belirlenmesi, kırığın varlığının saptanması ve var olması durumunda da kırığın cinsine göre sınıflandırılması hedeflenmiştir. Sadece X-ray görüntülerine bakılarak kırık zamanının ve köpeğin yetişkinlik düzeyinin saptanabilmesi ise tez kapsamında yapılan diğer çalışmalar arasında yer almaktadır. Biyomedikal görüntü işleme alanındaki pek çok çalışma gibi, bu çalışmada da farklı derin öğrenme mimari karşılaştırılarak sonuçlar en iyileştirilmeye çalışılmıştır. One of the most popular topics of recent years, deep learning algorithms find wide application in the biomedical field. Disease and fracture detection, biological data estimation, tissue and organ segmentation, missing data completion, and many more applications can be successfully performed using images obtained by various imaging methods, thanks to deep learning algorithms. In particular, fracture detection is one of the most popular subjects in this field. Nevertheless, most of these applications are made for human medicine. Therefore, veterinary medicine have been ignored drastically. The realization of the deficiency in this area has been the biggest motivation for the thesis. In the thesis, a comprehensive data set containing X-ray images of dogs gathered from Ankara Metropolitan Municipality Stray Animals Temporary Care Home is created. It is aimed to determine the type of long bone from the images, then detect the presence of the fracture and, if present, classify the fracture type. According to X-ray images, the determination of the fracture time and the maturity of the dog are other studies carried out within the scope of the thesis. Like many studies in the field of the biomedical image processing, different deep learning architectures are compared, and the results are tried to be optimized.
Object classification on noise reduced and data augmented micro-doppler radar spectrograms
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Erdoğan, Alperen; Güney, Selda
The classification of targets is one of the most challenging tasks in radar signal processing. Classifying a target can help radar operators figure out the nature of the target, such as its source and activity. However, it is very difficult to find the labeled data necessary to develop radar target classification models. Generating a radar dataset is an expensive and time-consuming process. To address these issues, we propose a noise reduction method that can be applied to micro- Doppler radar datasets. This method is carried out by averaging the spectrograms of each class in the RadEch micro-Doppler radar datasets and subtracting pixel by pixel from each sample. RadEch dataset has also been augmented with traditional and learning-based data augmentation methods. The learning-based data augmentation method was carried out by using Generative Adversarial Networks. Raw spectrograms, augmented spectrograms and noise reduced spectrograms have been classified using 5-layer CNN, VGG-16, and VGG-19. Classification results are compared with state-of-art studies. Comparison results shows that classification on noise reduced spectrograms performs better than current state-of-art methods. Nesnelerin sınıflandırılması, radar sinyal işlemedeki en zorlu görevlerden biridir. Bir hedefi sınıflandırmak, radar operatörlerinin, nesnenin kaynağı ve etkinliği gibi hedefin doğasını anlamalarına yardımcı olabilir. Ancak radar nesne sınıflandırma modelleri geliştirmek için gerekli olan etiketli verileri bulmak çok zordur. Bir radar veri seti oluşturmak pahalı ve zaman alıcı bir süreçtir. Bu sorunları ele almak için mikro-Doppler radar veri setlerine uygulanabilecek bir gürültü azaltma yöntemi bu tez kapsamında önerilmiştir. Bu yöntem, RadEch micro-Doppler radar veri setlerindeki her sınıfın spektrogramlarının ortalaması alınarak ve bu ortalama spektrogramın, sınıflarda bulunan her örnekten piksel piksel çıkarılması ile gerçekleştirilir. RadEch veri kümesi ayrıca geleneksel ve öğrenme tabanlı veri geliştirme yöntemleriyle de zenginleştirilmiştir. Öğrenmeye dayalı veri artırma yöntemi, Çekişmeli Üretici Ağlar kullanılarak gerçekleştirilmiştir. Ham spektrogramlar, geliştirilmiş spektrogramlar ve gürültüsü azaltılmış spektrogramlar beş katmanlı evrişimsel sinir ağı, VGG-16 ve VGG-19 kullanılarak sınıflandırılmıştır. Sınıflandırma sonuçları, literatürde yapılmış alan son çalışmalarla karşılaştırılmıştır. Karşılaştırma sonuçları, gürültüsü azaltılmış spektrogramlar üzerinde yapılan sınıflandırma başarısının, mevcut en son yöntemlerden daha iyi bir performansa sahip olduğunu göstermiştir.
Performance evaluation of thoroughly adaptive particle filter (tapf) for 3d radar tracking applications
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2019) Yapıcı, Kadir Gökberk; Güney, Selda
Building 3-D Radar tracking system generally comes with issues of non-linearity on both state and motion model. In this study, several common tracking algorithms are compared performance-wise under noisy environment, mismatched model and unsteady non-linear motions considering application areas such as ground based missile guidance. A radar front end and a space-time adaptive radar data cube is processed in order to achieve realistic observations from target motion which is described as discrete time inputs for tracking algorithms. After an analogical approach between kalman-based filters, the study focuses on particle filter, which is chosen from mentioned algorithms to be enhanced based on track performance and wealth of the field of study. A thoroughly adaptive particle filter (TAPF) is proposed in order to acquire optimal filtering when the trade-off between degeneracy and impoverishment problems and inverse proportion between over-fitting and divergence, under highly non-linear and noisy environments, are considered. An important sampling proposal with kalman resemblance, which is able to keep track of multiple prior data as a quantization factor, is derived by extending the Bayes theorem on state estimations with processing dependant joint Gaussian noise. Considering the need of regressive information, an effective re-sampling scheme is designed that works in a harmony with both sampling and adaptive particle distribution process based on data likelihood. The ultimate aim of the proposed method is to be able to handle and refine the “intractable”. 3-D Radar takip sistemi kurmak, beraberinde sistem durum ve hedef hareket modellerinde doğrusal olmayan sorunlar yaratır. Bu çalışmada güdümlü füze sistemleri gibi, gürültülü ortamlarda, eşleniksiz model altında doğrusal olmayan haraketli hedefler üzerinde, çeşitli takip algoritmaları kullanılarak performans analizi yapılmıştır. Takip birimlerine gerçek zamanlı hedef radar gözlem girdileri atamak için gerçekçi radar ön uç tasarlanmış ve uzay-zaman adaptif radar veri kübü işlenmiştir. Kalman bazlı filtreler ile yapılan karşılaştırmanın ardından, çalışma alanındaki zenginliğe ve takip performansına bağlı olarak parçacık filtresi üzerinde çalışılmaya karar kılınmıştır. Buna bağlı, tümüyle uyarlı parçacık filtresi (TAPF) önerilmiş, doğrusal olmayan dönüşümlü ve gürültülü ortamlarda, dejenerasyon, fakirleşme, sapma ve aşırı uyum sorunlarının çözümü hedeflenmiştir. Durum tahminleri için Bayes teoremi, bağıl Gauss gürültüler işlenerek türetilmiş, buna bağlı olarak kalman benzerliğine sahip önem örnekleme önergesi geliştirilmiştir. Bu önem önergesi bir nicemleme faktörü ile geçmiş verilerin getirilerini güncel tutar. Geriye dönük bilgiye duyulan ihtiyaçtan dolayı, örnekleme ve uyumlu parçacık dağıtım işlemi ile uyum içinde çalışan bir yeniden örnekleme planı tasarlanmıştır. Önerilen metodun nihai amacı, işlenmesi ve idare edilmesi zor takip fonksiyonunu, kavrayıp düzenleyebilmektir.
Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestrimi
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2022) Göğen, Eralp; Güney, Selda
Geçmişten günümüze hava tahmini insanlık için önem arz etmektedir. Hava tahmininin hassas gerçekleştirilebilmesi sel, tsunami vb. doğal afetlere karşı önlemler alınarak oluşacak olumsuz etkileri en düşük seviyeye indirmeyi sağlayabilmektedir. Bu çalışma kapsamında radyosonde verilerini kullanarak hava durumu kestirimi yapılmaktadır. Bu kestirimde en yüksek ve en düşük sıcaklık tahmini yapılmaktadır. Makine Öğrenmesi Algoritmaları kullanarak kestirim gerçekleştirilmiştir. Daha önce literatürde bulunan sıcaklık tahmini çalışmalardan farklı olarak 3 yıllık Radyosonde rasat verileri kullanılmıştır. Bu sayede yerden 40 km yüksekliğe kadar 1mbar aralıklarla ölçülmüş veriler ile atmosfer, literatürdeki diğer çalışmalara göre çok daha hassas olarak modellenmiştir. Bu modelde ertesi güne ait en yüksek ve en düşük sıcaklık değerleri kestirilmiştir. Bu aşamada normalizasyon ve öznitelik çıkarma veya seçmenin sonuçlara etkileri analiz edilerek tahmin için en uygun model belirlenmiştir. MATLAB ortamında gerçekleştirilen yazılım ile faklı regresyon yöntemleri karşılaştırılmıştır. Bu analizler sonucunda Gauss Süreci Regresyonu yöntemini kullanarak 1,2 Ortalama Karekök Sapması ile ertesi güne ait en yüksek sıcaklık tahmini en yüksek doğrulukla elde edilmiştir. Aynı yöntem kullanarak 2,4 Ortalama Karekök Sapması oranı ile en düşük sıcaklık tahmini yapılmıştır. Sonuçlar literatürdeki çalışmalardan daha başarılı sıcaklı tahmini yapıldığını göstermektedir. Weather forecasting from past to present is important for humanity. The precise realization of the weather forecast can ensure that the negative effects that will occur are minimized by taking precautions against natural disasters such as floods, tsunamis, etc. Within the scope of this study, weather forecasting is made using radiosonde data. In this estimation, the highest and lowest temperatures are estimated. Estimation was made using Machine Learning Algorithms. Unlike the temperature estimation studies previously in the literature, 3-year radiosonde observation data were used. In this way, the atmosphere was modeled much more precisely than other studies in the literature with the data measured at 1mbar intervals up to 40 km above the ground. In this model, the highest and lowest temperature values for the next day are estimated. At this stage, the most appropriate model for the prediction is determined by analyzing the effects of normalization and attribute extraction or voter on the results. Different regression methods were compared with the software performed in MATLAB environment. As a result of these analyzes, the highest temperature estimate for the next day was obtained with the highest accuracy with 1.2 Mean Square Root Deviation using the Gaussian Process Regression method. Using the same method, the lowest temperature estimate was made with an average Square Root Deviation rate of 2.4. The results show that more successful temperature estimation is made than the studies in the literature.
Türk işaret dilinde kelime tabanlı derin öğrenme uygulaması
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Erkuş, Mehmet; Güney, Selda
İşaret dili, işitme sorunu olan kişilerin kendilerini ifade etmek için kullandıkları bir görsel iletişim şeklidir. Bu çalışmanın temel amacı, işitme sorunu olan kişilerin yaşamını kolaylaştırmaktır. Bu çalışma kapsamında, üç farklı kişiden alınan 32 sınıf için 3200 adet RGB görüntü kullanılarak bir veri seti elde edilmiştir. Veri kümelerine veri artırma yöntemleri uygulanmış, görüntü sayısı her bir sınıf için 600 adet olacak şekilde toplam 3200’den, 19200’e yükseltilmiştir. İşaretlerin sınıflandırılması için hem problemin çözümüne yönelik 10 katmanlı bir evrişimli derin ağ modeli oluşturulmuş hem de derin öğrenme yöntemlerinden biri olan aktarımlı öğrenme yöntemi kullanılarak hazır modellerden VGG166, Inception ve ResNet derin ağ mimarileri kullanılmıştır. Ayrıca derin öğrenmenin öznitelik çıkarımı tekniğinden faydalanılarak elde edilen öznitelik vektörü ile geleneksel makine öğrenme yöntemlerinden olan Destek Vektör Makineleri (Support Vector Machines, SVM) ve K- En Yakın Komşu(K- Nearest Neighbor, K-NN) yöntemleri ile sınıflandırılmıştır. Elde edilen sonuçlar zaman ve başarım oranlarına göre kıyaslanarak, en başarılı yöntem belirlenmiştir. Bu çalışmada, görsel bir dil olan Türk İşaret Dili (TİD)’ne ait durağan kelimelerin yapılan analizler sonucunda başarılı bulunan derin öğrenme yöntemlerinden biri olan aktarımlı öğrenme kullanılarak gerçek zamanlı yazılı dile çevrilmesi sağlanmıştır. Ayrıca, tasarlanan bu gerçek zamanlı sistem ile TİD durağan kelimelere ait işaretleri tanıma ve tahminini bilgisayar ekranına yazdırmasındaki başarısı değerlendirilmiştir. Sign language is a form of visual communication used by people with hearing problems to express themselves. The main purpose of this study is to make life easier for people with hearing problems. In this study, a data set was obtained using 3200 RGB images for 32 classes taken from three different people. Data development methods were applied to the data sets and the number of images was increased from 3200 to 19200, 600 per class. For the classification of the signs, both a 10-layer convolutional deep network model was created for the solution of the problem, and VGG166, Inception and ResNet deep network architectures, which are one of the deep learning methods, were applied by using transfer learning method. In addition, the signs are classified using the Support Vector Machines (SVM) and K- Nearest Neighbor (KNearest Neighbor, K-NN) methods, which are the traditional machine learning methods, with the feature vector obtained by using the feature extraction technique of deep learning. The most successful method was determined by comparing the obtained results according to time and performance ratios. In this study, stationary words belonging to Turkish Sign Language (TSL), which is a visual language, are translated into real time written language by using transfer learning with one of the deep learning methods, which is successful as a result of the analysis. In addition, with the real-time system designed, its success in recognizing the stationary words of TSL signs and printing its prediction on the computer screen were evaluated.
Türkçe E-Ticaret ürün yorumlarının sınıflandırılması
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Toprak, Burcu Melis; Güney, Selda
Günümüzde e-ticaret ürün incelemeleri, çevrim içi alışverişte oldukça önemli bir rol oynamaktadır. Teknolojinin hayatımızdaki önemi ve çevrim içi alışverişe olan yoğun ilgi nedeniyle ürün yorumları ürünü satın alma aşamasında oldukça önemlidir. Ürüne verilen puanlar ve yazılan yorumlar arasında zaman zaman uyumsuzluk yaşanmaktadır. Bu nedenle yazılan yorumların metin sınıflandırma kullanılarak gruplandırılması ile ürün hakkında daha objektif değerlendirilme sağlanacağı düşünülmektedir. Metin sınıflandırmada oldukça kullanışlı ve etkili olan denetimli ve denetimsiz makine öğrenimi algoritmalarının yanı sıra derin öğrenme algoritmaları da oldukça popülerdir ve başarı oranları yüksektir. Bu tez çalışmasının amacı, Türkçe metin sınıflandırması için farklı makine öğrenmesi yöntemlerinin başarılarını incelemektir. Kullanılan veri setinde, çevrim içi alışveriş sitelerinde bir ürün altına yapılan yorumlar toplanmış ve yorumların olumlu, olumsuz ya da nötr olmasına göre sınıf etiketleri verilerek veri seti oluşturulmuştur. Toplam 15170 yorumun yer aldığı veri setinde 6799 olumlu, 6978 olumsuz ve 1393 tarafsız yorum bulunmaktadır. Sınıflandırma aşamasında, bu tez çalışmasında sınıflandırıcı olarak Evrişimsel Sinir Ağı (ESA) önerilmiştir. Ayrıca önerilen yöntem, Karar Ağaçları, Lineer Diskriminant Analiz, Uzun Kısa Süreli Bellek, İkinci Dereceden Diskriminant Analiz, Çift Yönlü Uzun Kısa Süreli Bellek, Verimli Lineer Destek Vektör Makineleri, Geçitli Tekrarlayan Birim, Verimli Logistik Regresyon, Naif Bayes, K-En Yakın Komşu, Birleşik Modeller, Yapay Sinir Ağları, Kernel ve Destek Vektör Makineleri ile karşılaştırılmıştır. En yüksek başarı Evrişimsel Sinir Ağları kullanıldığında %90,77 doğruluk ile elde edilmiştir.Nowadays, e-commerce product reviews play a very important role in online shopping. With the importance of technology in our lives and the intense interest in online shopping, the classification of these comments with text classification quite important. In addition to supervised and unsupervised machine learning algorithms, which are very useful and effective in text classification, deep learning algorithms are also very popular and have high success rates. The aim of the study is to provide a brief overview of machine learning methods for text classification. In the data set used, the comments under a product on online shopping sites were collected and a dataset was created by giving class labels according to whether the comments were positive, negative or neutral. There are 6799 positive, 6978 negative and 1393 neutral comments in the data set, which includes a total of 15170 comments. In the classification phase, Convolutional Neural Network (CNN) is proposed as a classifier. Also the proposed method is compared with Decision Trees, Linear Discriminant Analysis, Long Short Term Memory, Quadric Discriminant Analysis, Bidirectional Long Short Term Memory, Efficient Linear Support Vector Machines, Gated Recurrent Unit, Efficient Logistic Regression, Naive Bayes, K-Nearest Neighbor , Ensemble Models, Artificial Neural Networks, Kernel and Support Vector Machines. The highest success was obtained with 90.77% accuracy when using Convolutional Neural Networks.
X-Ray görüntülerinden köpeklerde uzun kemik kırıklarının meydana gelme zamanına göre sınıflandırılması
(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Tezcan, Berkan; Güney, Selda
Biyomedikal alanda önemli bir rol oynayan derin öğrenme algoritmaları, son yılların en popüler konularından biridir. Bu algoritmalar, görüntüleme yöntemleri kullanılarak hastalık ve kırık tespiti, biyolojik veri kestirimi, doku ve organ bölütlemesi, eksik veri tamamlanması gibi birçok uygulama için başarılı sonuçlar sağlamaktadır. Kemiklerdeki kırık tespiti, özellikle bu alanda en çok araştırılan konulardan biridir. Ancak, bu uygulamaların büyük çoğunluğu insan tıbbında kullanılırken, veteriner tıp uygulamaları daha az araştırılmıştır. Bu alandaki eksiklik, tez konusunun en büyük motivasyon kaynağı olmuştur. Bu tez çalışması kapsamında, köpeklere ait X-ray görüntülerini içeren veri seti ile uzun kemiklerdeki kırığın varlığının saptanması ve var olması durumunda da kırığın zamanına göre sınıflandırılması hedeflenmiştir. Biyomedikal görüntü işleme alandaki pek çok çalışma gibi, bu çalışmada da farklı derin öğrenme mimari karşılaştırılarak sonuçlar en iyileştirilmeye çalışılmıştır. Deep learning algorithms, which play an important role in the biomedical field, are one of the most popular topics in recent years. These algorithms provide successful results for many applications such as disease and fracture detection, biological data prediction, tissue and organ segmentation, and missing data completion using imaging methods. Fracture detection in bones is particularly one of the most researched topics in this field. However, while the majority of these applications are used in human medicine, veterinary medicine applications have been less studied. The lack of research in this field has been the main motivation for the thesis topic. Within the scope of this thesis study, the aim is to detect the presence of a fracture in the long bones in dogs using a dataset containing X-ray images of dogs, and to classify the fracture according to its time of occurrence if it exists. Like many studies in the field of the biomedical image processing, different deep learning architectures are compared, and the results are tried to be optimized.
Yere nüfuz eden radar verilerinin işlenmesi ile hedef tespiti
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2018) Çolak, Deniz; Güney, Selda
Yere nüfuz eden radar sistemleri yaklaşık yirmi senedir arkeoloji, jeoloji, inşaat mühendisliği alanlarında yaygın olarak kullanılan bir teknolojidir. Yere nüfuz eden radar, yüzey altındaki nesnelerin ve katmanların elektromanyetik teknikler kullanarak algılanmasını ve konumlandırılmasını sağlayan önemli bir uzaktan algılama teknolojisidir. Yerin altının görüntülenmesine ihtiyaç duyulan tüm sivil ve askeri alanlardaki ihtiyaçların karşılanması kapsamında teknolojik gelişmeler doğrultusunda sistem geliştirme çalışmaları sürdürülmektedir. Bu tez çalışmasında, radardan elde edilen verilerin işlenmesine yönelik görüntü işleme algoritma yapıları incelenmiştir. Ön görüntüleme aşamasında yapılacak görüntü iyileştirmelerinin sistem başarımın etkisine yönelik çalışmalar yapılmıştır. Sistemin gerçek zamanlı çalışmasına yönelik farklı yöntemler incelenmiş, çapraz korelasyon yöntemi ile çok hızlı ve iyileştirilmiş sonuçlar elde edilmiştir.Yapılan çalışmalarda elde edilen iyileştirmeler ile daha hızlı ve başarılı tespitlerin yapılacağı öngörülmüştür. The ground penetrating radar systems have been widely used in the fields of archeology, geology, civil engineering for about twenty years. The ground penetrating radar is an important remote sensing technology that allows objects and layers under the surface to be perceived and positioned using electromagnetic techniques. System development studies are continuing in line with technological developments within the scope of meeting the needs of all civil and military areas required to display under the surface. In this thesis study, image processing algorithms for processing the data obtained from the radar are examined. The effects of system improvements on the image enhancements to be made during the pre-screening phase have been studied. To run the system in real-time operations, different methods have been examined and as a result very fast and improved results have been obtained with the cross-correlation method compared to other methods.