Enstitüler / Institutes

Permanent URI for this communityhttps://hdl.handle.net/11727/1390

Browse

search.filters.applied.f.language: search.filters.language.trSubject: search.filters.subject.Görüntü İşleme

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Makine öğrenimi teknikleri ile mekanik parçaların 3 boyutlu tasarımlarının sınıflandırılması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Atasoy, Işıl
    Makine 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.
  • No Thumbnail Available
    Item
    Otonom araçlar için şerit takibi tekniği
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Sinan, Güven; Deniz, Karaçor
    Bu tezde, otonom araçlar için yol çizgisi takibi algoritmalarının geliştirilmesi ve performanslarının değerlendirilmesi amaçlanmıştır. Yol çizgisi takibi, otonom sürüş sistemlerinin güvenilirliği ve etkinliği açısından kritik bir bileşendir. Yol çizgisi takibi algoritmaları makine öğrenmesi tabanlı yöntemler ve geleneksel görüntü işleme teknikleri kullanılarak ikiye ayrılmaktadır. Makine öğrenmesi tabanlı yöntemler, belirli veri setleri üzerinde eğitilen modellerle çalışmakta olup, veri setinin dışındaki senaryolarda performans düşüşü yaşayabilmektedir. Bu yöntemlerin başarısı, kullanılan veri setinin çeşitliliği ve kapsamı ile doğrudan ilişkilidir [1]. Geleneksel yöntemler, veri setine bağımlı olmaksızın çalışmakta ve model eğitimi gerektirmediğinden hızlı bir şekilde uygulanabilmektedir. Bu yöntemler, yol çizgisi bilgilerini çıkartmak için kenar tespiti ve görüntü segmentasyonu gibi klasik görüntü işleme tekniklerinden yararlanmaktadır. Bu araştırmada yol çizgisi takibi için geleneksel yöntemlerin etkinliği değerlendirilmiştir. Yatay filtre komşuluk değerinin (τ) görüntünün parlaklığına göre adaptif hale getirilmesi gibi yenilikçi yaklaşımlar kullanılmıştır. Adaptif yöntem, değişen ışık koşullarında yol çizgilerinin doğru tespit edilmesini kolaylaştırmaktadır. Deneysel sonuçlar, adaptif τ seçiminin yol çizgisi tespiti üzerindeki olumlu etkilerini göstermiştir. Bu bulgular, otonom sürüş sistemlerinin güvenilirliğini ve etkinliğini artırmaya yönelik önemli katkılar sunmaktadır. In this thesis, the aim is to develop and evaluate lane tracking algorithms for autonomous cars. Lane tracking is a critical component for the reliability and efficiency of autonomous driving systems. Lane tracking algorithms are divided into two categories: machine learning-based methods and traditional image processing techniques. Machine learning-based methods work with models trained on specific datasets and may experience performance drops in scenarios outside of these datasets. The success rates of these methods are directly related to the diversity and scope of the dataset used [1]. Traditional methods, on the other hand, operate independently of the dataset and can be implemented quickly as they do not require model training. These methods utilize classic image processing techniques such as edge detection and image segmentation to extract lane information. In this research, the effectiveness of traditional methods for lane tracking has been evaluated. Innovative approaches, such as making the horizontal filter neighbourhood value (τ) adaptive to the brightness of the image, have been employed. The adaptive method facilitates the accurate detection of lanes under varying lighting conditions. Experimental results have shown the positive effects of adaptive τ selection on lane detection. These findings offer significant contributions to enhancing the reliability and efficiency of autonomous driving systems.