Fen Bilimleri Enstitüsü / Science Institute
Permanent URI for this collectionhttps://hdl.handle.net/11727/1392
Browse
4 results
Search Results
Item Makine öğrenimi teknikleri ile mekanik parçaların 3 boyutlu tasarımlarının sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Atasoy, IşılMakine öğrenmesi teknikleri kullanılarak geliştirilen veri işleme uygulamaları son yıllarda oldukça büyük bir hız ile gelişme kat etmekte ve farklı alanlarda birçok probleme çözümler sunmaktadır. Yazılım destekli çözümleri kullanan tüm sektörlerden alınan veriler incelendiğinde sonuç olarak verimliliklerin arttığı, insan kaynaklı hataların ve gecikmelerin önüne geçildiği gözlemlenmiştir. Bu çalışmada üretim ve tasarım endüstrisinde kullanılan standart mekanik parçaların derin öğrenme algoritmaları kullanılarak sınıflandırılması amaçlanmaktadır. Buna ek olarak, çalışmada kullanılan modellerin performansları karşılaştırılacaktır. Çalışma kapsamında iki aşamalı bir deney kurulmuştur. Deneyin aşamaları birbirinden bağımsız olup, sonuçları da bağımsız olarak değerlendirilmiştir. İlk aşamada cıvata, pim, somun, rondela mekanik parçalarının dijital tasarımlarından oluşan hazır bir veri seti kullanılmıştır. Bu veri seti her parçadan eşit sayıda 224x224x3 boyutlarında görseller içerecek şekilde toplamda 7616 adet örneklemden oluşmaktadır. İkinci aşamada ise aynı tasarım görsellerine ek olarak mekanik parçaların gerçek fotoğrafları da eklenip toplamda 1600 adet örnekten oluşan yeni bir veri seti oluşturulmuştur. Daha sonra deneyin her iki adımında da parçaların tanınma problemine çözüm bulmak için AlexNet, VGG, DenseNet, ResNet ve Xception sınıflandırma modelleri tercih edilerek, sonuçlar kaydedilmiştir. İlk adımda modeller sırasıyla ortalama 0.25, 0.25, 0.60, 0.69 ve 0.75 doğruluk oranları sunmuştur. İkinci adımda ise sırasıyla ortalama 0.27, 0.25, 0.65, 0.85 ve 0.96 doğrulukla başarı elde etmişlerdir. Çalışmanın sonuçlarında modellerin performans karşılaştırmaları belirtilmiştir. Machine learning techniques and data processing applications have been developing rapidly in recent years and offer solutions to many problems in different fields. Efficiency has increased in all sectors using software-supported solutions, and human errors and delays have been prevented. This study aims to classify standard mechanical parts used in the production and design industry using deep learning algorithms. In addition, the performances of the models used in the study will be compared. A two-stage experiment was established within the scope of the study. The stages of the experiment were independent from each other and the results were evaluated independently. In the first stage, a ready-made data set consisting of digital designs of mechanical parts of bolts, pins, nuts and washers was used. This data set consists of 7616 samples in total, including an equal number of 224x224x3 images from each piece. In the second stage, in addition to the same design visuals, real photographs of mechanical parts were added and a new data set consisting of 1600 samples in total was created. Then, in both steps of the experiment, AlexNet, VGG, EfficientNet, ResNet and Xception classification models were preferred to find a solution to the problem of recognition of parts, and the results were recorded. Then, in both steps, AlexNet, VGG, EfficientNet, ResNet and Xception models were preferred to list the broken ones and the results were generated. Initial replacement models offered average accuracy rates of 0.25, 0.25, 0.60, 0.69 and 0.75, respectively. Secondary renewal was successful with an average accuracy of 0.27, 0.25, 0.65, 0.85 and 0.96, respectively. The results of the study are stated in the comparison performances of the models.Item FMCW radar verilerinin makine öğrenmesi yöntemleri ile sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Emre Can, Ertekin; Selda, GüneyGünümüzde objeleri niteliklerine göre sınıflandırmanın birçok uygulama alanı bulunmaktadır. Örneğin, savunma sanayi, gözetleme, robotik vb. Bu durum, geleneksel yöntem ile çözülemeyen problemlere yönelik birçok yenilikçi uygulamanın ortaya çıkmasına olanak sağlar. Örneğin, radar verileri üzerinden nesnelerin sınıflandırılmasında hız, Radar Kesit Alanı (RKA), faz değişimi gibi birçok değer göz önünde bulundurulur. Ancak, bu yöntem ile birbirine yakın boyut ve hızlarda olan nesneler yüksek doğruluk ile ayırt edilememektedir. Bu duruma örnek olarak kuş ve droneların radar verileri üzerinden ayırt edilmeye çalışılmasını örnek verebiliriz. Kuşlar ve droneların RKA ölçümleri ve hızları bazı durumlarda aynı olmaktadır ve bu sebep ile geleneksel eşik uygulama gibi yöntemler etkin olmamaktadır. Günümüzde meydana gelen simetrik ve asimetrik çatışma ve savaşlar göz önüne alındığında, drone kullanımının arttığını ve savaş alanında etkin bir şekilde kullanılabileceğini gözlemlemek mümkündür. Droneların kolay elde edilebilir ve kolay imal edilebilir olması bu duruma neden olabilmektedir. Bu nedenle farklı sensörler ve farklı yöntemler kullanılarak bu droneların ayırt edilmesi önem arz etmektedir. Bu tez çalışmasında, bu ayrımın yüksek performansla gerçekleştirilebilmesi için gerçek radar sensör ölçümlerinden elde edilen eş evreli dördün evreli (In-Phase Quadrature, IQ) verilerinin spektogramları ile Evrişimsel Sinir Ağı(ESA) algoritmasının performansı üzerine bir çalışma yapılmıştır. Bu çalışmada, Frekans Modülasyonlu Sürekli Dalga (Frequency Modulated Continuous Wave, FMCW) radardan elde edilmiş olan IQ verilerinin mikrodoppler izlerini kullanarak, klasik makine öğrenmesi yöntemlerini ve farklı derin öğrenme mimarilerini kullanarak hem farklı drone türlerinin sınıflandırılmasını hem de droneların kuşlardan ayırt edilmesi gerçekleştirilmiştir. Bu çalışmada kullanılmış olan veriseti içerisinde 6 adet drone sınıfı, 2 adet insan hareketine bağlı ölçümlerden oluşan insan sınıfı, 6 ayrı kuş türüne ait ölçümlerin olduğu kuş sınıfı ve Üçgen Reflektör ölçümlerinden oluşan üçgen reflektör sınıfı bulunmaktadır. Bu çalışma sonucunda uçtan uca oluşturulmuş ESA mimarileri ve önceden eğitilmiş ESA mimarilerinde ile yüksek başarım oranları elde edilmiştir. Bu çalışmada önerilen ESA mimarisi ile özniteliklerin çıkartılarak Destek Vektör Makinası ile sınıflandırıldığında en yüksek doğruluk değeri %98.04 olarak elde edilmiştir. Nowadays, object classification has many applications field, such as defense, surveillance, robotics etc. This situation brings so many solutions for problems in traditional classification methods. For example, many values such as speed, Radar Cross Section (RCA), and phase change are taken into account when classifying objects from radar data. However, with usage of this method has bad accuracy in case of similar RCS and speed targets. For example, in case of birds and drones their size and speeds are similar in many cases. Because of this, classification of bird and drone has poor accuracy when using traditional classification methods (Thresholding etc.). In case of drone-bird classification, those algorithms have lack of accuracy. Since, size of a drone and birds are nearly same, RCS classifications cannot work properly. Considering the symmetrical and asymmetrical conflicts and wars taking place today, it is possible to observe that the use of drones is increasing and can be used effectively in these areas. The fact that drones can be easily obtained and easily manufactured can cause this situation. The importance of classifying and distinguishing between drones and birds is important both on the battlefield and in protecting high-value sites and infrastructure from terrorist attacks. For example, airports, military bases, military convoys, government buildings, nuclear power plants, power stations, dams, etc. For this reason, it is important to distinguish these drones using different sensors and different methods. In order to realize this discrimination with high performance, this study is used a real radar sensor measured In-Phase Quadrature (IQ) data spectrograms to observing performance of Convolutional Neural Network (CNN) algorithms. In this thesis study, using micro-Doppler traces of IQ data obtained from FMCW radar, classical machine learning methods and different deep learning architectures have been used to classify different drone types and to distinguish drones from birds. To conduct this study, two datasets is used, first dataset consist of 6 drone classes, 2 human classes with different movements, 6 different bird classes and 1 corner reflector class were used. In second dataset, only drones and bird measurements were used. As a result of this study, high accuracy rates were obtained with end-to-end CNN architectures and Pre-trained CNN architectures. With the CNN architecture proposed in this study, the highest accuracy value 98.04 % was obtained when features were extracted and classified with Support Vector Machine (SVM) with the usage of nine class dataset. With the usage of second dataset which is include only two class (Birds and drones) the accuracy is 99.4 % with the same CNN feature extraction and SVM method use.Item X-Ray görüntülerinden köpeklerde uzun kemik kırıklarının meydana gelme zamanına göre sınıflandırılması(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Tezcan, Berkan; Güney, SeldaBiyomedikal 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.Item Türkçe E-Ticaret ürün yorumlarının sınıflandırılması(Başkent Üniversitesi Fen Bilimler Enstitüsü, 2023) Toprak, Burcu Melis; Güney, SeldaGünümüzde 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.