Fen Bilimleri Enstitüsü / Science Institute
Permanent URI for this collectionhttps://hdl.handle.net/11727/1392
Browse
51 results
Search Results
Item The Turkish lip reading using deep learning method(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2023) Berkol, AliAutomated lip reading is a research problem that has developed considerably in recent years. Lip reading is evaluated both visually and audibly in some cases. Detecting an unwanted word from a security camera is an example of a visual lip-reading problem. Audio-visual datasets are not applicable where such image-only data is involved. Therefore, we may not have audio input in all cases. In certain cases, it is not feasible to obtain the audio input of the spoken word. In this study, we have gathered a novel Turkish dataset consisting solely of images. The dataset was generated using YouTube videos, which constitute an uncontrolled environment. Consequently, the images present challenging parameters with respect to environmental factors such as lighting conditions, angles, colors, and individual facial characteristics. Despite the variations in facial attributes like mustaches, beards, and makeup, the visual speech recognition problem was addressed using Convolutional Neural Networks (CNN) without making any modifications to the data. The problem was formulated with 10 classes, comprising single words and two-word phrases. While developing the study, comparisons were made with LSTM, BGRU, and Dilated CNN. The proposed study using only-visual data obtained a model which is automated visual speech recognition with a deep learning approach. In addition, since this study uses only-visual data, the computational cost and resource usage is less than in multi-modal studies. Also, we introduce introduced a novel approach called Concatenated Frame Images, which involved combining image frames into a single large frame. It is also the first known study to address the lip reading problem with a deep learning algorithm using a new dataset belonging to the Ural-Altaic languages. Otomatik dudak okuma, son yıllarda önemli ölçüde gelişen bir araştırma problemidir. Dudak okuma bazen görsel olarak, bazen de işitsel olarak değerlendirilmektedir. Güvenlik kamerasından istenmeyen bir kelimenin tespiti, görsel dudak okuma problemine bir örnektir. İlgili birimler sadece görüntü verilerinin olduğu durumlarda işitme-görsel veri setlerinden yararlanamazlar. Bu nedenle, tüm durumlarda ses girdisine sahip olmak mümkün değildir. Telaffuz edilen kelimenin ses girişini her zaman elde etmek mümkün değildir. Bu çalışmada yalnızca görüntü kullanılarak yeni bir Türkçe veri seti toplandı. Yeni veri seti, kontrolsüz bir ortam olan Youtube videoları kullanılarak oluşturulmuştur. Bu nedenle, görüntüler ışık, açı, renk ve yüzün kişisel özellikleri gibi çevresel faktörler açısından zor parametrelere sahiptir. Bıyık, sakal ve makyaj gibi farklı yüz özelliklerine rağmen, görsel konuşma tanıma problemi, veri üzerinde herhangi bir müdahale olmadan Konvolüsyonel Sinir Ağları (CNN) kullanılarak tek kelime ve iki kelime öbeklerini içeren 100 sınıfta geliştirilmiştir. Öte yandan çalışma geliştirilirken LSTM, BGRU ve Dilated CNN ile karşılaştırmalar yapılmıştır. Yalnızca görsel veri kullanılarak yapılan önerilen çalışma, derin öğrenme yaklaşımıyla otomatik görsel konuşma tanıma modeli elde etmiştir. Ayrıca, bu çalışma yalnızca görsel veri kullandığından çoklu modalite çalışmalarına göre hesaplama maliyeti ve kaynak kullanımı daha azdır. Ayrıca, Birleşik İmajlar Yönetimiyle, görüntü çerçevelerini tek bir büyük çerçeveye birleştirme işlemine dayandırarak klasik kesik yöntemle karşılaştırma yaptık. Ayrıca, bu çalışma, Ural-Altay dillerine ait yeni bir veri seti kullanarak derin öğrenme algoritmasıyla dudak okuma problemine yönelik yapılan ilk bilinen çalışmadır.Item Derin öğrenme yöntemleri ile akciğer grafilerinde patoloji sınıflandırılması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Oltu, BurcuAkciğerler, solunum sisteminin temel organları olup yapısal bozukluklar, enfeksiyonlar veya çevresel etkenler nedeniyle işlev kaybına uğrayabilmektedir. COVID-19, tüberküloz, pnömoni, pulmoner fibröz, atelektazi, kardiyomegali ve pnömotoraks gibi akciğer hastalıkları erken evrede teşhis edilmediğinde ölümcül sonuçlara yol açabilmektedir. Bu nedenle akciğer hastalıklarının erken ve doğru şekilde teşhis edilmesi büyük önem taşımaktadır. Akciğer grafileri, düşük maliyet ve hızlı uygulanabilirlik gibi avantajlarıyla bu amaçla yaygın olarak kullanılmaktadır. Ancak örtüşen anatomik yapılar, sınırlı uzman sayısı ve yüksek görüntü hacmi gibi etkenler, bu görüntülerin yorumlanmasını zorlaştırmakta, günlük yaklaşık %3-5 oranında hata yapılmasına yol açmaktadır. Bu doğrultuda akciğer grafilerinin yorumlanabilmesi için radyologlara yardımcı olacak otomatik ve güvenilir teşhis sistemlerine duyulan ihtiyaç gün geçtikçe artmaktadır. Bu tez çalışmasında akciğer grafilerinin yüksek performansla sınıflandırılması amacıyla uçtan uca bir derin öğrenme modeli geliştirilmiş ve bu modelin başarısını artıracak özgün kayıp fonksiyonlarını önerilmiştir. Modelin omurgası olarak önceden eğitilmiş DenseNet201 mimarisi kullanılmıştır. DenseNet201’den çıkarılan öznitelik haritalarından daha zengin uzamsal bilgiler elde etmek amacıyla evrişimsel uzun kısa süreli bellek (Convolutional Long Short-Term Memory (ConvLSTM)) katmanı, kanal bazında özniteliklerin vurgulanması için sıkma-bırakma bloğu (Squeeze and Excitation (SE)) ve uzun menzilli bağımlılıkları yakalayan görü dönüştürücüler (Vision Transformer (ViT)) modele entegre edilmiştir. Ayrıca, küresel ortalama havuzlama (Global Average Pooling (GAP)) katmanı ile sınıflandırma için önemli uzamsal bilgilerin korunması sağlanmıştır. Bu bileşenlerin kombinasyonu ile önerilen model, yüksek sınıflandırma performansı sunmuştur. Çalışmada ayrıca, sınıflandırma başarısında önemli etkisi olan kayıp fonksiyonları derinlemesine incelenmiştir. Standart fonksiyonlara ek olarak hibrit ve dinamik yapılarda fonksiyonlar tasarlanmış, sınıflandırma eğilimlerine karşı ceza terimi içeren özgün bir fonksiyon önerilmiştir. Önerilen kayıp fonksiyonlarının avantajlarını bir araya getirerek sınıflandırma performansını artıracak farklı topluluk yaklaşımları uygulanmıştır. Bu fonksiyonların performansları sistematik olarak analiz edilmiş ve farklı modellerle de test edilerek modelden bağımsız başarı sağladığı gösterilmiştir. Başkent Üniversitesi Ankara Hastanesi Radyoloji Bölümü'nden elde edilen klinik veriler ile açık erişimli veri kümeleri birleştirilerek 7, 8, 9, 10, 12, 14 ve 15 sınıflı alt veri kümeleri oluşturulmuş ve her bir alt kümede önerilen model ve kayıp fonksiyonları detaylı şekilde test edilmiştir. Böylece hem veri kümesinden hem de sınıf sayısından bağımsız olarak modelin ve kayıp fonksiyonunun başarısı ortaya konmuştur. Elde edilen deneysel sonuçlar, önerilen yöntemin literatürdeki yaklaşımların çoğunu geride bıraktığını ve doğruluk, F1-skoru, AUC gibi performans metriklerinde yüksek başarı sergilediğini ortaya koymaktadır. Ayrıca modelin farklı senaryolarda tutarlı ve yüksek performans sergilemesi, güçlü bir genelleme yeteneğine sahip olduğunu kanıtlamaktadır. Sonuç olarak, bu tez kapsamında, akciğer grafilerinin otomatik olarak sınıflandırılmasını sağlayan yüksek performanslı ve tekrarlanabilir sonuçlar üreten yenilikçi bir model ve özgün kayıp fonksiyonları geliştirilmiştir. The lungs are the primary organs of the respiratory system and can lose functionality due to structural disorders, infections, or environmental factors. Lung diseases such as COVID-19, tuberculosis, pneumonia, pulmonary fibrosis, atelectasis, cardiomegaly, and pneumothorax may lead to fatal outcomes if not diagnosed at an early stage. Therefore, early and accurate diagnosis of lung diseases is crucial. Chest radiographs (CXRs) are widely used for this purpose due to their advantages, such as low cost, quick applicability, and low radiation dose. However, factors like overlapping anatomical structures, limited specialists, and high image volume make interpreting CXRs challenging, resulting in a daily error rate of 3–5%. Thus, the demand for automated and reliable diagnostic systems to assist radiologists in interpreting CXRs is increasing. In this thesis, an end-to-end deep learning model was developed for high-performance classification of CXRs, and novel loss functions were proposed to enhance the model’s performance. The pre-trained DenseNet201 architecture was used as the backbone. A Convolutional Long Short-Term Memory (ConvLSTM) layer to obtain richer spatial and temporal information from the feature maps obtained from DenseNet201, a Squeeze and Excitation (SE) block to emphasize channel-wise features, and Vision Transformers (ViT) to capture long-range dependencies were integrated into the model. In addition, a Global Average Pooling (GAP) layer was used to preserve important spatial information for classification. The combination of these components enabled high classification performance. The study also examined the often-overlooked role of loss functions in classification performance. Beyond standard functions, hybrid and dynamic structures were designed. A custom function with a penalty term was proposed to improve sensitivity to misclassification. Ensemble approaches combining the strengths of proposed loss functions were implemented. These loss functions were systematically analyzed and tested with various models, demonstrating architecture-independent success. To evaluate the performance and generalization ability of the proposed model and loss functions, a comprehensive dataset was created by combining clinical images from Başkent University Ankara Hospital with open-access datasets. This dataset was divided into subsets containing 7, 8, 9, 10, 12, 14, and 15 classes, and extensive testing was conducted on each subset. Results showed that the proposed method outperforms many existing approaches in the literature, achieving superior accuracy, F1-score, and AUC. The model’s consistent performance in various scenarios demonstrated strong generalization. In conclusion, this thesis presents a novel deep learning model and original loss functions that produce high-performance and reproducible results for the automatic classification of CXRsItem Derin öğrenme yaklaşımları ile meme kanseri tespiti ve sınıflandırması(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Karaca Aydemir, Büşra KübraMeme kanseri, dünya çapında kadınlar arasında kanserle ilişkili ölümlerin başlıca nedenlerinden biridir. Erken teşhis ve doğru tanı, sağkalım oranlarını artırmak ve etkili bir tedavi planlamak açısından çok önemlidir. Mamografi, meme kanseri taramasında anormallikleri erken evrede tespit edebilen temel görüntüleme yöntemidir. Mamografik bulgular arasında kitleler, en yaygın ve tanı açısından en kritik lezyonlardır. Mamografi görüntüleri genellikle radyologlar tarafından manuel olarak değerlendirilmekte, ancak lezyon çeşitliliği, yoğun meme dokusu ve yüksek görüntü sayısı süreci zorlaştırmakta; değerlendirmeyi zaman alıcı ve yorucu hâle getirmektedir. Ayrıca, deneyim farklılıkları ve uzun incelemelere bağlı dikkat dağınıklığı tanı doğruluğunu olumsuz etkileyebilmektedir. Son yıllarda, özellikle derin öğrenmeye dayalı yapay zekâ uygulamaları, tıbbi görüntüleme tanı süreçlerinde önemli ilerlemeler sağlamıştır. Bu alanda öne çıkan You Only Look Once (YOLO) algoritması, gerçek zamanlı nesne tespiti ve sınıflandırma yeteneğiyle öne çıkmaktadır. Bu sayede, mamografi görüntülerinde anormalliklerin hızlı ve doğru şekilde belirlenmesine olanak sağlayarak klinik tanı süreçlerine destek olma potansiyeli taşımaktadır. Bu tez çalışmasında, mamografi görüntülerinde meme kitlelerini tespit ve sınıflandırmak amacıyla YOLO tabanlı bir derin öğrenme modeli geliştirilmiştir. Bu kapsamda, YOLOv5, YOLOv8 ve YOLOv9 (GELAN) mimarileri temel alınmış; bu modellere çeşitli dikkat modülleri ve evrişimsel bloklar entegre edilerek farklı model varyantları oluşturulmuştur. Modeller, CBIS-DDSM, VinDr-Mammo ve bu iki kümenin birleşimiyle oluşturulan veri setleri kullanılarak sıfırdan eğitilmiş, ardından INBreast veri kümesi üzerinde beş katlı çapraz doğrulama yöntemiyle ince ayar uygulanmıştır. Ayrıca, farklı veri artırma stratejilerinin model performansına etkisi değerlendirilmiştir. INBreast üzerinde en yüksek başarıyı gösteren model varyantları, klinik uygulanabilirliği test etmek amacıyla Başkent Üniversitesi Ankara Hastanesi’ne ait veri kümesiyle de ince ayara tabi tutulmuştur. CBIS-DDSM + VinDr-Mammo → INBreast senaryosunda GELAN-c mimarisine derinlemesine evrişim (DWConv) ve Evrişimli Blok Dikkat Modülü (CBAM) entegre edilerek geliştirilen model varyantı (GELAN-c + DWConv + CBAM), varsayılan veri artırma konfigürasyonu ile 0.878 mAP@0.5 skoruna ulaşmış ve çalışmadaki en yüksek performansı göstermiştir. CBIS-DDSM + VinDr-Mammo → Başkent senaryosunda ise, YOLOv5s mimarisine Verimli Çok-Ölçekli Dikkat (EMA) modülü entegre edilerek oluşturulan model varyantı (YOLOv5s + EMA), varsayılan + mixup veri artırma kombinasyonu ile 0.848 mAP@0.5 skoruna ulaşmıştır. Bu sonuçlar, geliştirilen YOLO tabanlı model varyantları hem literatür veri kümelerinde hem de gerçek klinik görüntülerde yüksek başarı sağladığını ve klinik karar destek sistemlerine entegre edilebilecek potansiyele sahip olduğunu göstermektedir. Breast cancer is one of the leading causes of cancer-related deaths among women worldwide. Early detection and accurate diagnosis are crucial for improving survival rates and planning effective treatment. Mammography is the primary imaging method for breast cancer screening, detecting abnormalities at an early stage. Among mammographic findings, masses are the most common and diagnostically significant lesions. Mammograms are often evaluated manually by radiologists; however, the diversity of lesions, dense breast tissue, and large image volumes make this process challenging, time-consuming, and labor-intensive. Furthermore, differences in experience levels and attention fatigue caused by prolonged examinations can negatively affect diagnostic accuracy. In recent years, artificial intelligence applications, particularly those based on deep learning, have made significant contributions to medical imaging diagnostics. The You Only Look Once (YOLO) algorithm, a leading approach in this field, stands out with its real-time object detection and classification capabilities. This allows for the rapid and accurate identification of abnormalities in mammograms, offering potential support to clinical diagnostic workflows. In this thesis, a YOLO-based deep learning model was developed to detect and classify breast masses in mammograms. The YOLOv5, YOLOv8, and YOLOv9 (GELAN) architectures were utilized, and various attention modules and convolutional blocks were integrated into these models to generate different model variants. These models were trained from scratch using CBIS-DDSM, VinDr-Mammo, and their combined dataset. Then, fine-tuning was performed on the INBreast dataset using five-fold cross-validation. Furthermore, the effects of different data augmentation strategies on model performance were analyzed. The best-performing model variants on the INBreast dataset were further fine-tuned using a dataset obtained from Başkent University Ankara Hospital to evaluate clinical applicability. In the CBIS-DDSM + VinDr-Mammo → INBreast scenario, the model variant (GELAN-c + DWConv + CBAM), which integrates depth-wise convolution (DWConv) and the Convolutional Block Attention Module (CBAM) into the GELAN-c architecture, achieved a mAP@0.5 score of 0.878 with the default data augmentation configuration, representing the highest performance in the study. In the CBIS-DDSM + VinDr-Mammo → Başkent scenario, the model variant (YOLOv5s + EMA) created by integrating the Efficient Multi-Scale Attention (EMA) module into the YOLOv5s architecture, achieved a mAP@0.5 score of 0.848 using the default + mixup augmentation strategy. These results demonstrate that the proposed YOLO-based model variants achieved high performance on both public datasets and real clinical images and show strong potential for integration into clinical decision support systems.Item Kara muharebe araçları için yapay zekâ tabanlı hedef tespit sistemi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Tütüncüoğlu, Reşat AliModern askeri istihbarat sistemleri sürekli olarak gelişmektedir. Özellikle kara kuvvetlerinin muharebe sahasında görev aldığı ortamda, muharebe araçlarının sınıflandırması çok önemli hale gelmiştir. Farklı tipteki muharebe araçlarının yeteneklerini ve zafiyetlerini belirlemek, etkili taktik ve stratejiler geliştirmek hayati öneme haizdir. Yapay zekâ destekli olarak askeri araçların sınıflandırılmasında; görüntü işleme, kalıp tanıma ve derin öğrenme teknolojilerinin kullanımı geçmişe kıyasla daha uygulanabilir hale gelmiştir. "Sadece Bir Kez Bakarsınız - You Only Look Once" (YOLO) algoritması, nesne tespiti ve görüntü sınıflandırmasında belirgin avantajlar sunmaktadır. YOLO, hedeflerin hızlı bir şekilde tespit edilmesini sağlayarak gerçek zamanlı nesne tahminleri yapma yeteneğine sahiptir. YOLO algoritmasının; yüksek doğruluk oranı ile tespit ve değerlendirme süreçlerine katkıda bulunması, muharebe sahasındaki personele önemli bir destek sunar. Özellikle düşük arka plan hataları ile doğru sonuçlar üretebilmesi ve genel nesne temsilini anlaması, bu yöntemin etkinliğini artırmaktadır. Bu tez çalışmasında, muharebe araçlarının tespiti için YOLO Algoritması kullanılmıştır. Mobil kullanımlara uygunluğu ve performans değerlendirmelerinde gösterdiği başarı nedeniyle, tez çalışmasında YOLOv8m modeli tercih edilmiştir. Model üzerine eklenen Sıkıştırma ve Uyarım Bloğu ile performansı daha da arttırılmıştır. Çalışma, elektro-optik sistemler aracılığıyla elde edilen görüntüleri kullanarak hedeflerin detaylı özelliklerinin tespit edilmesi ve karar destek sürecine odaklanmaktadır. Bu tez çalışmasının amacı, hedef yönetim sistemlerinin temel bileşenlerinin belirlenmesi ve tanımlanmasına katkı sağlayarak karar destek süreçlerini güçlendirmektir. Süreç, özel nitelikli veri toplama, ön işleme, segmentasyon, temel özellik çıkarımı, sınıflandırma, gelişmiş özellik çıkarımı ve karar destek matrisleri kullanılarak kullanıcıya önerilerde bulunulmasını içeren derin öğrenmeye dayalı bir “Hedef Belirleme ve Tanımlama - Target Detection and Identification” (HBT - TDI) sisteminin geliştirilmesini kapsamaktadır. Geliştirilen model, görüntü işleme ve nesne tespitinde önemli avantajlar sağlamaktadır.Ayrıca, tasarlanan model ile ilave bir donanım gerektirmeden, mevcut elektro-optik cihazlarını kullanarak muharebe araçlarının, tespitinin pasif bir şekilde tanımlanması, gözlemcinin konumunu açığa çıkarmadan mesafe tahmininde bulunarak karar desteğin sağlanması gerçekleştirilmektedir. Model, yüksek doğrulukta (mAP- mean avarege precision) %88,38 gerçek zamanlı tahminler sağlayarak, bilinçli kararlar alınmasına yardımcı olmakta ve riskleri minimize etmektedir.Modern military intelligence systems are continuously evolving. Particularly in environments where ground forces operate on the battlefield, the classification of combat vehicles has become critically important. Identifying the capabilities and vulnerabilities of various types of combat vehicles is essential for developing effective tactics and strategies. The use of artificial intelligence in the classification of military vehicles, through image processing, pattern recognition, and deep learning technologies, has become more feasible compared to the past. "You Only Look Once" (YOLO) algorithm provides significant advantages in object detection and image classification. YOLO possesses the ability to rapidly detect targets, enabling real-time object predictions. The algorithm's contribution to detection and evaluation processes with high accuracy offers substantial support to military personnel on the battlefield. Its ability to produce accurate results with low background errors and to understand general object representation further enhances the effectiveness of this method. In this thesis, the YOLO algorithm has been employed for the detection of combat vehicles. The YOLOv8m model has been selected due to its suitability for mobile applications and its demonstrated success in performance evaluations. The performance has been further enhanced with the addition of the squeeze and excitation block to the model. The study focuses on detecting detailed characteristics of targets using images obtained through electro-optical systems and emphasizes the decision support process. The objective of this thesis is to contribute to the identification and definition of the fundamental components of target management, thereby strengthening decision support processes. The process encompasses the development of a deep learning-based "Target Detection and Identification" (TDI) system, which includes specialized data collection, pre-processing, segmentation, basic feature extraction, classification, advanced feature extraction, and the provision of recommendations to users through decision support matrices. The developed model offers substantial advantages in image processing and object detection. Moreover, with the designed model, the passive identification of combat vehicles can be achieved using existing electro-optical devices, without requiring additional hardware, by estimating distances while keeping the observer's position concealed. The model provides real-time predictions with high accuracy (mAP 83.6%), thereby assisting in informed decision-making and minimizing risks.Item Gezgin satıcı probleminde genetik algoritmalar için yeni seçilim operatörlerinin geliştirilmesi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Dalkılıç, Şahin BurakGezgin satıcı problemi (GSP) rota planlama, baskı devre kart tasarımı, bilgisayar kablolama, üretim planlama gibi birçok gerçek hayat problemlerinde kullanılmaktadır. GSP’nin çözümü için meta-sezgisel algoritmalar yani, Tavlama benzetimi, karınca kolonisi, sinir ağları, tabu arama, parçacık sürüsü optimizasyonu ve genetik algoritma kullanılmaktır. Son yıllarda, araştırmacılar genetik algoritması üzerinde keşif ve sömürü arasındaki dengenin iyileştirilmesi amacıyla, seçilim, mutasyon ve çaprazlama operatörleri önermişlerdir. Literatürde yer alan 6 seçilim operatörü, 6 mutasyon operatörü ve 11 çaprazlama operatörü uygulanmış ve yöntemlerin performansları yakınsama oranları ve hesaplama süreleri açısından değerlendirilmiştir. Ayrıca keşif ve sömürü dengesini iyileştirmek amacıyla, Keşif-Sömürü Denge Seçim (KSDS) ve Hibrit Seçim operatörleri (HS) önerilmiştir. Yöntemler, 30 farklı TSPLIB veri setinde ve çelik üretim verilerinde test edilmiş ve kritik fark diyagramları kullanılarak yöntemler arasındaki istatiksel farklar görselleştirilmiştir. Ayrıca yöntemlerin birbirinden ne derece iyileştirilmiş olduğunu gözlemlemek için t-test istatiksel testleri yapılmıştır. Sonuçlar önerilen seçim operatörlerinin literatürdeki diğer yöntemlere kıyasla daha etkili performans gösterdiği görülmüştür. Mutasyon yöntemlerinde Değişim Mutasyon (DM) operatörü en etkili sonuçları verirken, çaprazlama yöntemlerinde ise Geliştirilmiş Açgözlü Çaprazlama (GAÇ) yöntemi en iyi sonuçları vermiştir. Traveling salesman problem (TSP) is used in many real-world problems such as route planning, printed circuit board design, computer wiring, production planning. Meta-heuristic algorithms such as simulated annealing, ant colony, neural networks, tabu search, particle swarm optimization and genetic algorithm are used to solve TSP. In recent years, researchers have proposed selection, mutation and crossover operators in order to improve the balance between exploration and exploitation on genetic algorithm. 6 selection operators, 6 mutation operators and 11 crossover operators in the literature were applied and the performances of the methods were evaluated in terms of convergence rates and computation times. In addition, Exploration-Exploration Balance Selection (EEBS) and Hybrid Selection (HS) operators were proposed to improve the balance between exploration and exploitation. The methods were tested on 30 different TSPLIB data sets and steel production data and statistical differences between the methods were visualized using critical difference diagrams. In addition, t-test statistical tests were performed to observe to what extent the methods were improved from each other. The results show that the proposed selection operators perform better than other methods in the literature. In mutation methods, the Swap Mutation (SWPM) operator gives the most effective results, while in crossover methods, the Improved Greedy Crossover (IGX) method gives the best results.Item Proje bütçe tahsisi için bulanık programlamaya dayalı bir değerlendirme süreci ve karar destek sistemi önerisi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Budak, Seda NurAraştırma ve geliştirme projelerinin değerlendirilmesi ve finansman kararlarının etkinliği ile stratejik tutarlılığının artırılması, kamu kaynaklarının verimli kullanımı açısından kritik bir gerekliliktir. Mevcut uygulamalarda karşılaşılan güncelliğini yitirmiş, ağırlıkları sezgisel olarak atanmış ve kurumsal önceliklerle uyumlu olmayan değerlendirme kriterleri, kaynak tahsisinde etkinliği azaltan önemli bir sorun oluşturmaktadır. Bu kapsamda, uzman görüşleri ve literatür analizi yoluyla belirlenen kriterlerin görece önemleri Shannon entropisi ile nesnel olarak değerlendirilmiş ve sistematik bir değerlendirme çerçevesi tasarlanmıştır. Proje önerileri, k-ortalamalar kümeleme algoritması kullanılarak belirli profil gruplarına sınıflandırılmış ve bu profiller ile değerlendirme puanlarına dayalı olarak bütçe tahsisini optimize etmek amacıyla bir bulanık matematiksel programlama modeli geliştirilmiştir. Ayrıca, sürecin kurumsal ortamlarda uygulanabilirliğini artırmak için kullanıcı dostu bir karar destek sistemi tasarlanarak değerlendirme iş akışına entegre edilmiştir. Sonuçlar, önerilen yaklaşımın daha hızlı, açık, izlenebilir ve stratejik olarak uyumlu değerlendirmeler sağladığını ve duyarlılık analizleriyle modelin sağlamlığının doğrulandığını ortaya koymaktadır. Bu bulgular, kurumsal karar alma süreçlerinin optimizasyonu, ulusal önceliklerle daha etkili uyum sağlanması ve Ar-Ge destek mekanizmalarının genel etkinliği ile izlenebilirliğinin güçlendirilmesi açısından önemli katkılar sunmaktadır. Improving the effectiveness and strategic consistency of research and development evaluation and funding decisions is a critical requirement for the efficient use of public resources. In current practice, obsolete evaluation criteria with subjectively assigned weights and inadequate alignment with institutional priorities pose a substantial challenge that reduces the effectiveness of resource allocation. The significance of criteria determined through expert consultation and literature review was objectively assessed using Shannon entropy, and a systematic evaluation methodology was established. Project proposals were classified into specific profile groups utilizing the k-means clustering algorithm, and a fuzzy mathematical programming model was formulated to optimize budget allocation based on these profiles and evaluation scores. A user-friendly decision support system was designed and integrated into the evaluation workflow to enhance practical applicability in institutional contexts. The findings indicate that the suggested methodology facilitates expedited, clearer, more traceable, and strategically aligned assessments, with sensitivity studies validating the model's resilience. These findings significantly enhance institutional decision-making, improve alignment with national priorities, and strengthen the efficiency and traceability of R&D support mechanisms.Item Tiroid ultrasonografisinde hibrit derin öğrenme yöntemleri ile otomatik nodül segmentasyonu(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Erdemir Aytekin, ElifnurTiroid nodülleri, tiroid bezinde normal dokudan farklı olarak gelişen, genellikle iyi huylu olmakla birlikte belirli bir oranda malign potansiyel taşıyan kitlelerdir. Toplumda oldukça yaygın görülen bu oluşumlar, ultrasonografi ile yüksek oranda tespit edilebilmektedir. Ancak nodüllerin doğru şekilde sınırlarının belirlenmesi hem malignite riskinin değerlendirilmesi hem de takip ve tedavi planlamasında kritik öneme sahiptir. Bu tez çalışmasında, tiroid ultrasonografisi görüntülerinden nodüllerin otomatik segmentasyonu amacıyla hibrit bir derin öğrenme modeli geliştirilmiştir. Önerilen yöntem, “EfficientNet” tabanlı yerel özellik çıkarım kapasitesini “Vision Transformer” tabanlı küresel bağlam farkındalığı ile birleştiren çift kodlayıcı mimariye sahiptir. Ek olarak nodül sınırlarının daha hassas belirlenebilmesi için sınır farkındalıklı özel bir kayıp fonksiyonu tasarlanmıştır. Modelin performansı TN3K ve DDTI veri kümeleri üzerinde kapsamlı olarak test edilmiş ve literatürdeki güncel yöntemlerle karşılaştırılmıştır. Elde edilen sonuçlar doğrultusunda geliştirilen hibrit yaklaşım, klinik uygulamalarda tiroid nodüllerinin hızlı, güvenilir ve standart segmentasyonunu sağlayarak tanısal doğruluğu artırma ve hekimlerin iş yükünü azaltma potansiyeline sahiptir. Thyroid nodules are masses that develop in the thyroid gland, distinct from normal tissue, and are generally benign but carry a certain degree of malignant potential. These highly prevalent lesions are highly detectable by ultrasonography. However, accurate delineation of nodules is critical for both assessing malignancy risk and planning follow-up and treatment. In this thesis, a hybrid deep learning model was developed for the automatic segmentation of nodules from thyroid ultrasound images. The proposed method utilizes dual-encoder architecture that combines EfficientNet-based local feature extraction capabilities with Vision Transformer-based global context awareness. Additionally, a custom boundary-aware loss function was designed to more precisely define nodule boundaries. The model's performance was extensively tested on the TN3K and DDTI datasets and compared with current methods in the literature. Based on the obtained results, the developed hybrid approach has the potential to increase diagnostic accuracy and reduce physician workload by providing fast, reliable, and standardized segmentation of thyroid nodules in clinical practice.Item Sign language recognition with zero-shot learning(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Giray Sercan, Özcan; Emre, SümerSign language holds great importance for a specific segment of society. Automating Sign Language Recognition (SLR) using machine learning is crucial for facilitating communication between different segments of society. However, creating the necessary labeled data for this task is very challenging. Furthermore, the evolution and changing meanings of sign language words over time make this field even more difficult. This work presents a novel approach to Zero-Shot Sign Language Recognition (ZSSLR). Using hand and landmark data extracted from the signer’s body data, the signer’s hand and body have been modeled. To determine which of the extracted and modeled features are more important for this purpose, a data grading method was applied. In Zero-Shot Learning (ZSL), datasets containing descriptions of the movements in sign language videos were used. The results were tested on two benchmarkable ZSL datasets and demonstrated in ZSL and Generalized Zero-Shot Learning (GZSL) settings. ˙I ¸saret dili, toplumun belirli bir kesimi için büyük önem ta¸sımaktadır. ˙I¸saret Dili Tanımanın (SLR) makine ö˘grenmesi kullanılarak otomatikle¸stirilmesi, toplum kesimlerinin ileti¸simini kolayla¸stırmak için çok önemlidir. Ancak, bu görev için gerekli olan etiketlenmi¸s verilerin olu¸sturulması oldukça zordur. Dahası, zaman içinde i¸saret dili kelimelerinin evrim geçirip anlamlarının de˘gi¸smesi bu alanı daha da zor hale getirmektedir. Bu çalı¸sma, Sıfır- Shot˙I ¸saret Dili Tanıma (ZSSLR) için yenilikçi bir yakla¸sım sunmaktadır. ˙I¸saretçinin vücut verilerinden çıkarılan el ve landmark verileri kullanılarak, i¸saretçinin el ve vücudu modellenmi ¸stir. Çıkarılan ve modellenen özniteliklerin bu amaç için hangisinin daha önemli oldu˘gunu belirlemek amacıyla bir veri derecelendirme yöntemi uygulanmı¸stır. Sıfır-Shot Ö˘grenmede (ZSL), i¸saret dili videolarında yapılan hareketlerin tanımlarını içeren veri kümeleri kullanılmı ¸stır. Sonuçlar, iki kar¸sıla¸stırılabilir ZSL veri kümesinde test edilmi¸s ve ZSL ve Genel Sıfır-Shot Ö˘grenme (GZSL) ayarlarında gösterilmi¸stir.Item Faz değiştiren malzemelerin parabolik güneş kollektörlerine entegrasyonu ve etkileri(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Gülden, Adıyaman; Levent, ÇolakBu tez çalışmasında, parabolik oluk kollektörler için kullanılabilecek kaviteli, faz değiştiren malzemeli ve yalıtımlı yeni bir güneş alıcısı tasarlanmıştır. Çalışmanın ilk aşamasında, bir kollektör sisteminin genel verimliliğini ilk ölçüde etkileyen optik verimlilik üzerine çalışılmıştır. Optik verimliliği etkileyen en önemli parametre, güneş ışınımının yoğunlaştığı alıcı tarafından emilen net ısı miktarıdır. Bu bağlamda, optimizasyon parametreleri olarak üç farklı geometri (üçgen, dikdörtgen ve çokgen), üç farklı açıklık genişliği ve yüksekliği ve kavite alıcısının parabolik yansıtıcı yüzeye ilişkin üç farklı konumu alınmıştır. Bu parametrelerin etkilerini değerlendirmek ve aynı zamanda alıcı tarafından absorbe edilen radyasyon miktarı üzerindeki etkilerini incelemek için bir deney tasarımı yaklaşımı kapsamında Yanıt Yüzey Metodu kullanılmıştır. Optik analiz için, bu parametrelerin etkilerini araştırmak üzere Monte Carlo Işın İzleme yöntemiyle birlikte açık kaynaklı sayısal ışın izleme yazılımı SolTrace kullanılmıştır. Sonuçlar, optimum boşluk geometrisinin çokgen olduğunu ve boşluk derinliğinin ve açıklığının her ikisinin de 0,05 m'ye eşit olduğunu göstermektedir. Ayrıca en etkili parametrenin alıcının konumu olduğu ve optimum konumun parabolik yoğunlaştırıcının odak noktası olduğu bulunmuştur. Optimum boşluklu alıcı tasarımı için sistemin optik verimliliği %81,05 olarak bulunmuştur. Yeni alıcı tasarımında, yeni modelin Hesaplamalı Akışkanlar Dinamiği (HAD) ile doğrulama çalışmaları yapılmıştır. Yeni alıcı tasarımında, ilk olarak yeni modelin Hesaplamalı Akışkanlar Dinamiği ile doğrulama çalışmaları yapılmıştır. Bu kapsamda literatürden iki aşamalı doğrulama yapılmıştır. İlk olarak borulu bir güneş alıcısında unifor olmayan ışınım haritası entegre edilerek ısıl analizler deneysel bir çalışma doğrulanmıştır. Daha sonra Faz Değiştiren Malzeme (FDM) erime analizleri literatürdeki deneysel bir çalışma ile doğrulanmıştır. Doğrulama çalışmalarından sonra, FDM entegreli, kendinden yalıtımlıi kaviteli alıcı modellenmiş ve HAD analizleri yapılarak sonuçlar değerlendirilmiştir. FDM olarak erime ve donma sıcaklıkları sırasıyla 130 ve 120°C olan yüksek yoğunluklu polietilen (YYPE) kullanılmıştır. HAD sonuçlarına göre, FDM 13.dakikada erimeye başlamıştır. Tamamen erime süresi 31.dakikadır. Buna FDM depolama süresi de denilebilir. FDM tamamen eriyene kadar geçen sürede suyun çıkış sıcaklığı 437,52K olmuştur. Bu aşamadan sonra, güneş ışınımının kesildiği durum için kavite duvarlarındaki ışınım haritası kaldırılmış olup analizler yine zamana bağlı devam etmiştir. Bu analizlerde görülmüştür ki FDM 5.dakikadan itibaren katılaşmaya başlayıp 21. dakikada tamamen katı haldedir. FDM entegreli kendinden yalıtımlı kavitel igüneş alıcı, aynı sınır koşullarında FDM entegresiz yalıtım olmayan kaviteli alıcı ile karşılaştırılmıştır. FDMnin katılaşma süresince (16 dakika) su çıkış sıcaklığındaki dalgalanma yalnızca 17,5°C iken FDM entegresiz alıcıda bu değer 58°C olmuştur. Güneş alıcısına FDM entegresi özellikle gün içinde bulut geçişleri sırasında dakika boyunca düşük su çıkış sıcaklığı dalgalanmaları ile sistemin daha stabil çalışmasına olanak sağlamıştır. Ayrıca güneşin tamamen kesildiği akşam saatlerinde de FDM entegreli alıcıdan bir süre daha sıcak su veya buhar eldesinin devam edebileceğini göstermiştir. In this thesis, a new solar receiver with cavity, phase change material and insulation that can be used for parabolic trough collectors has been designed. In the first stage of the study, optical efficiency was studied, which primarily affects the overall efficiency of a collector system. The most important parameter affecting optical efficiency is the net amount of heat absorbed by the receiver where solar radiation is concentrated. In this context, three different geometries (triangle, rectangle and polygon), three different aperture width and height, and three different positions of the cavity receiver relative to the parabolic reflecting surface were taken as optimization parameters. The Response Surface Method was used within a design-of-experiment approach to evaluate the effects of these parameters and also to examine their impact on the radiative heat rate absorbed by the receiver. For optical analysis open-source numerical ray-tracing software SolTrace, accompanied with the Monte Carlo Ray Tracing method, was used to investigate the effects of these parameters. The results showed that the optimum cavity geometry was polygonal and the cavity depth and span are both equal to 0.05m. Moreover, it is found that the most effective parameter is the position of the cavity receiver and the optimum position was at the focal line of the parabolic concentrator. For the optimum cavity receiver design, the optical efficiency of the system was found to be 81.05%. In the new receiver design, verification studies of the new model were carried out with Computational Fluid Dynamics (CFD). In this context, two-stage validation was performed from the literature. Firstly, the non-uniform radiation map was integrated in a tubular solar receiver and thermal analyses were verified with an experimental study. Then, the Phase Change Material (PCM) melting analyses were verified with an experimental study in the literature. After the validation studies, the PCM integrated, self-insulating cavity receiver was modeled and the results were evaluated by performing CFD analyses. High density polyethylene (HDPE) with melting and freezing temperatures of 130 and 120°C, respectively, was used as PCM. According to the CFD results, PCM started to melt in the 13th minute. The complete melting time was 31st minute. This can also be called PCM storage time. The exit temperature of the water was 437.52K during the period until PCM was completely melted. After this stage, the radiation map on the cavity walls was removed for the case where solar radiation was cut off and the analyses continued again depending on time. In these analyses, it was seen that FDM started to solidify from the 5th minute and was completely solid at the 21st minute. FDM integrated self-insulating cavity solar receiver was compared with FDM integrated non-insulating cavity receiver under the same boundary conditions. While the fluctuation in water outlet temperature was only 17.5°C during the solidification period of FDM (16 minutes), this value was 58°C in the receiver without FDM integration. FDM integration to the solar receiver allowed the system to work more stably, especially during cloud transitions during the day, with low water outlet temperature fluctuations for minutes. It was also shown that hot water or steam could continue to be obtained from the FDM integrated receiver for a while longer in the evening hours when the sun completely stopped.Item MEMS-IMU Sensörünün ölçüm hatası ve sıcaklık değişimine bağlı tahmin performansının sönümleme faktörlü adaptif kalman filtresi ile iyileştirilmesi(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Eren Mehmet, Akbaş; Murat, ÜçüncüBu çalışmada, sistem matrisi ve modeli belirsiz olan sistem durumlarını tahmin etmek için yeni bir algoritma olan Düşük Hata Oranına Uyarlanabilir Sönümlü Kalman Filtresi (LERAFKF) önerilmektedir. LERAFKF'nin tasarlanmasındaki amaç ölçümlerdeki zorluklar, sistem parametreleri ve yanlış durum uzayı modellerinden kaynaklanan sorunları hafifletmektir. Sistem parametrelerindeki belirsizliklerin, bilinmeyen kovaryanslı ölçümlerin ve kötü tanımlanmış sistem modellemelerinin olduğu durumlarda Kalman Filtresi (KF) ve Genişletilmiş Kalman Filtresi (EKF) algoritmasının kullanıldığı çeşitli çalışmalar bulunmaktadır. Çalışmamızın yeniliği, halihazırda kullanılan Kalman tahmin algoritması ve sönümleme faktörü uyarlamalı filtrenin kombinasyonu ile yeni bir yöntem önermektir. Burada Kalman filtresi sönümleme faktörü ile uyarlanabilir Kalman filtresine dönüştürüldü ve algoritma optimize edilmiş sönümleme faktörünü hesaplayacak şekilde yeniden tasarlandı. Bu çalışmada simülasyon çalışmasında doğrusal ve doğrusal olmayan bir sistem kullandık. Doğrusal sistem hareketli bir nesneyi temsil ediyordu. Simülasyon, Pololu IMU01b, Honeywell HG9900C1A-2025.2625 ve kalifikasyon testleri tamamlanmamış laboratuvar ürünü olan yerli SDI33.R3.0009 3 eksenli ataletsel ölçüm birimi (IMU) sensöründen ölçümler kullanılarak gerçekleştirildi. Doğrusal olmayan sistem için 2 eksenli döner tablaya monte edilen 9 serbestlik derecesine (DoF) sahip ilgili sensörler kullanıldı. Bu sistemle bir füze 4. dereceden doğrusal olmayan bir sistem olarak simüle edilmiştir. Bununla birlikte sensörler için 3 farklı sıcaklıklıkta ölçümler alınmış ve sıcaklığa bağlı ölçüm hatasının filtrelerin verdikleri cevaplar ve tahmin performansları irdelenmiştir. Önerilen LERAFKF filtremizin özellikle ölçüm kaynaklı hatalar durumunda sistem durumlarını tahmin etmede KF ve EKF'den daha iyi sonuçlar verdiği görülmüştür. Ortalama karesel hata analizi yapıldığında LERAFKF'nin hem doğrusal hem de doğrusal olmayan sistemlerde en az hata değerine sahip olduğunu ve KF ve EKF'den daha iyi performans gösterdiğini kanıtladık. In this study, a new algorithm, Low Error Rate Adaptive Fading Kalman Filter (LERAFKF) is proposed to predict the system states whose system matrix and model are uncertain. The purpose of designing LERAFKF is to alleviate the problems caused by the difficulties in the measurements, system parameters and wrong state space models. There are several studies in which the Kalman Filter (KF) and Extended Kalman Filter (EKF) algorithm are used where there are uncertainties in system parameters, measurements with unknown covariances and ill defined system modeling. The novelty of our work is to propose a new method with the combination of the currently used Kalman estimation algorithm and the fading factor adaptive filter. Here, the Kalman filter was transformed into an adaptive Kalman filter with the forgetting factor and the algorithm was redesigned to calculate the optimized forgetting factor. In this study, we used a linear and a nonlinear system in the simulation study. The linear system represented a moving object. The simulation were carried out by using measurements from 3-axis inertial measurement unit (IMU) sensors; Pololu IMU01b, Honeywell HG9900C1A-2025.2625 and SDI33.R3.0009 which were a laboratory product whose qualification tests have not been completed. For the nonlinear system, these sensors which 9 degrees of freedom (DoF) mounted on a 3-axis rotary table was used. With this system, a missile were simulated as a 4th order nonlinear system. In addition, measurements were taken for the sensors at 3 different temperatures, and the responses and prediction performances of the filters due to temperature-related measurement error were examined. It was observed that our proposed LERAFKF filter provided better results than KF and EKF in estimating system states especially in case of measurement-related errors. When the mean square error analysis was performed, we proved that LERAFKF had the least error value and performed better than KF and EKF in both linear and nonlinear systems.