Enstitüler / Institutes

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

Browse

Filters

2022 - 20252

Settings

Subject: search.filters.subject.CNN

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Hava araçlarına ait görüntülerin sınıflandırılması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2025) Kul, Hamdi Emre
    Bu çalışmada, belirli bir gruba ait askeri uçakların sınıflandırılması, sınıflandırma performanslarının değerlendirilmesi ve geliştirilmesi amaçlanmıştır. Uçaklarda sınıflandırma, başka ülkelerin tehdidini algılama, ülke sınırlarının güvenliğini sağlama, ticari uçuşlar ve askeri hava trafiği arasında etkili bir koordinasyon sağlama açısından büyük bir önem taşımaktadır. Sınıflandırma yapmak için kullanılan algoritmalarda, bir yapay sinir ağı olan Convolutional Neural Network (CNN) ve makine öğrenmesi olan Support Vector Machine (SVM) yöntemleri kullanılmıştır. CNN, görüntü veya başka veri çeşitlerini filtreler ya da çekirdekler (Kernel) aracılığıyla işleyerek verinin özelliklerini otomatik olarak öğrenmek üzerine kurulu bir mimaridir. SVM ise sınıflandırma ya da regresyon için kullanılan bir makine öğrenme algoritmasıdır. Verileri uzayda maksimum aralıkla ayıran hiper düzlemi bularak sınıflandırma yapmaktadır. Ayrıca, çekirdek yöntemlerini kullanarak doğrusal olmayan problemler için çözümler de sunabilmektedir. Bu tür sınıflandırma yöntemlerin etkinliği, büyük ölçüde kullanılan veri setlerinin kapsamı ve çeşitliliğiyle doğrudan bağlantılıdır. Bu araştırmada, Shayan Khos tarafından oluşturulan ve sekiz farklı uçak tipini içeren, toplam 4990 adet uçak görselinden oluşan bir veri seti kullanılmıştır. Bu veri seti üzerinde CNN ve CNN-SVM modeli uygulanarak sınıflandırma gerçekleştirilmiştir. Bu modellerin performanslarını değerlendirebilmek amacıyla, içerisindeki bazı hiper parametreler değiştirilerek elde edilen sonuçlar karşılaştırılmıştır. İlk olarak, bu veri seti doğrudan CNN modeline uygulanmış ve CNN içerisindeki parametreler (öğrenme seçeneği, ilk öğrenme oranı değeri ve periyot sayıları) değiştirilerek bir karşılaştırma yapılmıştır. Daha sonrasında, CNN mimarisi yalnızca öznitelik çıkarımı için kullanılmış; bu öznitelikler, SVM algoritması ile sınıflandırılarak çıkan sonuçlar analiz edilmiştir. CNN ve CNN-SVM modellerine ayrı ayrı veri artırma işlemi uygulanarak doğruluk oranlarındaki değişimler gözlemlenmiştir. Elde edilen sonuçlar göz önüne alındığında doğrudan CNN’e verilen ve artırma işlemi uygulanan veri setinin, 80 epok (Epoch) değerinde başlangıç öğrenme oranı (Initial Learn Rate) 0,001 olarak ayarlanmış ve sgdm algoritması kullanılarak eğitildiği senaryoda %96,52 test doğruluk oranı ile en yüksek performansa ulaştığı tespit edilmiştir.The aim of this study is to classify military aircraft belonging to a specific group, to evaluate the classification performance and to improve the results. Aircraft classification is important for detecting potential threats from other nations, ensuring the security of national borders, and facilitating effective coordination between commercial flights and military air traffic. The classification algorithms used in this study include the Convolutional Neural Network (CNN), an artificial neural network, and the Support Vector Machine (SVM), a machine learning algorithm. CNN is designed to automatically learn data features by processing different types of input, such as images, through filters or kernels. SVM, on the other hand, is a machine learning algorithm used for classification and regression tasks. It performs classification by identifying the hyperplane that maximises the distance between data points in the feature space. In addition, by using kernel methods, SVM can also provide solutions to non-linear problems. The effectiveness of such classification methods is highly dependent on the size and diversity of the data sets used. In this research, a dataset consisting of 4,990 aircraft images of eight different aircraft types created by Shayan Khos was used. Classification was performed on this dataset using both CNN and CNN-SVM models. To evaluate the performance of these models, various hyperparameters were adjusted and the resulting results were compared. First, the dataset was applied directly to the CNN model and a comparison was made by modifying internal parameters of the CNN, such as the learning option, the initial learning rate and the number of epochs. Subsequently, the CNN architecture was used exclusively for feature extraction and these features were classified using the SVM algorithm and the results were analysed. Data augmentation was applied separately to both the CNN and CNN-SVM models, and the differences in accuracy were observed. The results showed that the scenario where the augmented dataset was fed directly into the CNN model, trained for 80 epochs with an initial learning rate of 0.001 using the sgdm algorithm, achieved the highest performance with a test accuracy of 96.52%.
  • No Thumbnail Available
    Item
    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.