5 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 5 / 5
Öğe Derin öğrenme yöntemleri kullanılarak Diyarbakır yöresi karpuzu görüntülerinden ağırlığının tahmin edilmesi(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2022-08-18) Kayra, Halil; Koç, SavaşBu tez çalışmasında Diyarbakır yöresinde yetişen karpuzların görüntüleri kullanılarak derin öğ-renme metotlarıyla karpuzların ağırlık tahmini yapılmıştır. Çalışmada 5000 adet karpuz görüntüsü kullanıl-mıştır. Diyarbakır yöresinde yetiştirilen karpuzların market ve semt pazarlarında fotoğrafları çekilerek bilgisayar ortamında kayıt altına alınmıştır. Toplanan karpuz görüntülerinin arka planları alındıktan sonra maskeleri Python programında yapılmıştır. Maskeler U-Net mimarisinde kullanılmak üzere eğitim dosyasına alınmıştır. Derin öğrenme yöntemlerinde evrişimli sinir ağları ile U-Net mimarisi kullanılmıştır. Görüntülerin segmentasyonu başarılı bir şekilde yapılmıştır. U-Net mimarisi %99,65 ora-nında başarılı bir şekilde karpuz görüntüsünü geometrik olarak tahmin etmiştir. U-Net modelinde elde edilen görüntülerden piksel alan metodu ile karpuzun görüntüde kapladığı alan oranı hesabı yapılmıştır. Görüntülerin boy ve en pikselleri belirlendikten sonra yapay sinir ağı ile eğitimlerine geçilmiştir. En iyi mimariyi bulmak için yapay sinir ağları 9 farklı mimari ile eğitimi yapılmıştır. En iyi mimari 4 gizli kat-mana sahip 1024 birime ayrılmış olan ve aktivasyon fonksiyonu olarak ReLU kullanılan mimari olmuş-tur. Görüntülerden elde edilen karpuz verilerinin çok katmanlı yapay sinir ağlarında eğitilmesi ile test doğruluk oranı %92,59 ve eğitim doğruluk oranı ise %94,43 bulunmuştur. Sonuç olarak oluşturulan derin öğrenme yöntemi saye-sinde 65 cm mesafede fotoğrafı çekilen karpuz görüntülerinin kaç kilo aralığında olduğu tahmin edecek bir program oluşturularak dijital tarım alanındaki çalışmalara katkıda bulunacaktır.Öğe Akciğer kanserinin derin öğrenme yaklaşımları kullanılarak tespit edilmesi(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2023-03-20) Ayayna, Ferhat; Çalışkan, AbidinKanser, dünyadaki tüm ülkelerde ölüm sebebi ve kötü yaşam kalitesinin en büyük nedenlerinden olarak ilk sıralarda yer almaktadır. Dünya sağlık örgütü’nün 2019 yılındaki kayıtlarına göre yapmış olduğu tahminlerde kanser 183 ülkenin 112 ‘inde 70 yaş üzerindeki ölümlerin nedenleri arasında birinci veya ikinci sırada bulunurken 23 ülkede ise ölüm nedeni olarak üçüncü veya dördüncü sırada yer alır. Koroner kalp hastalığından ve inmeden dolayı ölenlerin oranlarındaki düşüş kanserin öneminin artmasına neden olmuştur. 2020 yılında 2,2 milyon yeni teşhis (tüm kanserler arasında yaklaşık %11,4) ve 1,8 milyon ölüm nedeni olarak akciğer kanseri en çok teşhis edilen kanserler arasında ikinci, ölüm sebebi olarak birinci sırada yer almıştır. Akciğer kanserinin teşhis edilmesinde ve tedavi sürecinde tıbbi görüntüleme tekniklerin önemi büyüktür. Bilgisayarlı tomografi, göğüs röntgeni, manyetik rezonans görüntüleme, moleküler görüntüleme teknikleri ve pozitron emisyon tomografisi akciğer kanserinin tespit edilmesinde önemli yer tutarlar. Kullanılan bu tekniklerin en büyük eksiklikleri arasında, başka patolojik rahatsızlığı olan hastalar için uygun olmayan ve kanser türünün sınıflandırılamaması gibi sorunlar yer alır. Bu kanser için erken teşhis ve sınıflandırma için yeni yaklaşımlarda bulunmak gerekmektedir. Tıpta görüntüleme alanında değeri artan konulardan biri olarak derin öğrenme yöntemi giderek daha fazla kullanılmaya başlanmıştır. Doktorların akciğer kanseri için daha net ve daha hızlı bir şekilde karar vermelerinde yapay zekâ ve derin öğrenmeyi kapsayan tıbbi cihazların geliştirilmesi son derece önemlidir. Bu çalışmada, akciğer kanserinin tespit ve sınıflandırılması için VGG16, VGG19 ve Xception yöntemleri kullanılmıştır. Derin öğrenme tabanlı yöntemler kullanılarak yapılan çalışmalarda, önerilen yaklaşım ile VGG16, VGG19 ve Xception yöntemleri ile %94,19, %95,24 ve %90,14 oranında başarı elde edilmiştir.Öğe Beyin tümörünün derin öğrenme yaklaşımları kullanılarak tespit edilmesi(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2024-09-27) Aslım, Cafer; Çalışkan, AbidinBu yüksek lisans tezi, beyin tümörlerinin tespiti için derin öğrenme yöntemlerinin kullanımını incelemektedir. Beyin tümörleri, dünya genelinde nadir görülmelerine rağmen yüksek ölüm oranlarına sahip ciddi malignitelerdir. Erken teşhis ve doğru sınıflandırma, tedavi sürecinde hayati öneme sahiptir. Bu çalışmada, derin öğrenme yöntemlerinin, özellikle evrişimsel sinir ağlarının (ESA), beyin tümörlerinin tespiti ve sınıflandırılması üzerindeki performansı değerlendirilmektedir. Çeşitli derin öğrenme modelleri ve makine öğrenmesi algoritmaları kullanılarak, beyin tümörlerinin MRI ve BT görüntülerinden tespit edilmesi amaçlanmıştır. Çalışmada VGG19, Inception V3 ve MobileNet gibi derin öğrenme modelleri ile K-En Yakın Komşu (k-NN) ve Destek Vektör Makineleri (DVM) gibi makine öğrenme algoritmaları kullanılmıştır. Model performansları doğruluk, hassasiyet, duyarlılık, F1 skoru ve ROC-AUC gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlar, derin öğrenme modellerinin beyin tümörlerinin tespitinde yüksek doğruluk ve güvenilirlik sunduğunu göstermektedir. Özellikle VGG19 modelinin diğer modellere kıyasla daha yüksek performans sergilediği tespit edilmiştir. Bu bulgular, derin öğrenme yöntemlerinin tıbbi görüntü analizi alanında etkili bir araç olabileceğini ve klinik uygulamalarda kullanılabilirliğini göstermektedir. Gelecekteki çalışmalarda, daha büyük veri setleri ve farklı derin öğrenme modelleri kullanılarak performansın daha da artırılması hedeflenebilir.Öğe Derin öğrenme teknikleri kullanılarak meyve ve sebzede çeşitli hastalıkların tespit edilmesi(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2023-09-28) Özcan, Sevil; Acar, EmrullahMeyve ve sebze hastalıklarının gıda güvenliği ve sürdürülebilir tarım pratikleri açısından kritik önemi bulunmaktadır. Dolayısıyla hastalıklar ürün verimini düşürmekte, kaliteyi azaltmakta ve böylece küresel gıda arzını tehdit etmektedir. Bu hastalıklar aynı zamanda biyoçeşitliliği de olumsuz etkilemekte, ekosistem dengesini bozmakta ve çiftçilerin geçim kaynaklarını zayıflatmaktadır. Bu çalışmada, derin öğrenme teknikleri kullanılarak meyve ve sebzelerde görülen hastalıkların tespiti yapılmıştır. Bu araştırma kapsamında 12 sınıfa ait 2907 adet RGB görüntüden çevrimiçi bir veri seti elde edilmiştir. Her sınıf için veri genişletme yöntemi ile veri seti 2907'den 17442’e kadar çıkarılmıştır. Meyve ve sebzelerdeki çeşitli hastalıkların tespiti için 10 katmanlı evrişimli derin ağ modeli oluşturulmuş ve ön eğitimli derin ağ mimarileri ( InceptionV3 ve ResNet50) kullanılmıştır. Elde edilen sonuçlar, en başarılı yöntemleri belirlemek için zaman ve başarı oranı açısından karşılaştırılmıştır. Sağlanan analizlerin sonuçları ayrıca tasarlanan bu gerçek zamanlı sistem ile meyve ve sebzelerde hastalık görüntülerini tespit etme ve tahminlerini bilgisayar ekranına aktarmak için gerçekleştirilmiştir.Öğe Tarım ürünlerinin sınıflandırılmasında derin öğrenme kullanımı: Siirt fıstığı örneği(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2025-02-18) Erdoğan, Mesut; Öztekin, AbdulkerimBu tez, tarım ürünlerinin sınıflandırılmasında derin öğrenme tekniklerinin potansiyelini incelemek ve uygulamalı bir model geliştirmek amacıyla hazırlanmıştır. Tarım sektörü, kalite kontrol ve sınıflandırma süreçlerinde genellikle manuel yöntemlere dayanmakta olup bu da süreçlerin hem zaman alıcı hem de hata oranlarının yüksek olmasına neden olmaktadır. Gelişen teknolojiyle birlikte, tarım ürünlerinin otomatik olarak sınıflandırılmasını sağlayacak yapay zeka temelli yaklaşımlar, hem üreticilere hem de tüketicilere çeşitli avantajlar sunma potansiyeline sahiptir. Bu çalışmada, Siirt fıstığı örneği üzerinden derin öğrenme tabanlı bir sınıflandırma modeli geliştirilmiştir. Çalışmanın ilk aşamasında, Siirt fıstığının kalite kriterleri belirlenmiş ve bu kriterlere göre geniş bir veri seti oluşturulmuştur. Veri seti, farklı kalite sınıflarını (örneğin, iri, orta boy, düşük kaliteli; deformasyona uğramış ya da renk farkı olan fıstıklar) kapsayacak şekilde çeşitlendirilmiştir. Görüntüler, gelişmiş görsel veri toplama teknikleri kullanılarak yüksek çözünürlükte elde edilmiş ve veri setinin zenginleştirilmesi amacıyla veri artırma yöntemleri uygulanmıştır. Derin öğrenme modeli olarak konvolüsyonel sinir ağları (CNN) tercih edilmiş ve modelin performansını artırmak için çeşitli mimari düzenlemeler yapılmıştır. Modelin eğitimi ve testi sırasında hiperparametre optimizasyonu gerçekleştirilmiş, doğruluk oranını artırmak için dropout, öğrenme hızı ayarı ve erken durdurma gibi teknikler uygulanmıştır. Modelin performansı, doğruluk, kesinlik, duyarlılık ve F1 skor metriği kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, Siirt fıstığının sınıflandırılmasında geliştirilen derin öğrenme modelinin %99 doğruluk oranı ile başarılı bir şekilde çalıştığını ortaya koymuştur. Modelin sonuçları, geleneksel manuel sınıflandırma yöntemleri ile karşılaştırıldığında, hem zaman hem de doğruluk açısından önemli avantajlar sağlamaktadır. Ayrıca, tarım sektöründeki diğer ürünlere uygulanabilirlik potansiyeli de değerlendirilmiştir. Bu çalışma, tarım sektöründe kalite kontrol süreçlerini optimize etmek, üreticilere verimlilik sağlamak ve tüketici memnuniyetini artırmak adına önemli bir adım olarak değerlendirilmektedir. Gelecekteki çalışmalar için, daha büyük veri setlerinin oluşturulması, farklı derin öğrenme mimarilerinin test edilmesi ve modelin gerçek zamanlı uygulamalarda denenmesi önerilmektedir.
