Search

Günümüzde böbrek tümörü vakalarına oldukça sık rastlanmaktadır. Hastanın böbreğindeki tümör; büyüklük ve bölgesel olarak farklılık gösterebilir. Tümörün bir uzman tarafından doğru tespit edilememesi, geç teşhis ve erken tedavi uygulanmaması halinde hastalar çok ciddi riskler ile karşı karşıyadır. Doğru ve hızlı teşhis için literatürde yapay zeka teknolojilerine dayalı karar destek sistemlerinin önemli çözüm önerileri sunduğu görülmektedir. Tıp alanı yapay zekanın en çok kullanıldığı alanların başını çekmektedir. Böbrek tümörlerin tespitinde bilgisayarlı tomografi tıbbı görüntüleme cihazları yaygın olarak kullanılmaktadır. Bu çalışma kapsamında, bilgisayarlı tomografi cihazı tarafından üretilen görüntüler kullanılmıştır. Böbrek tümörü tespit analizi için sınıflandırıcı model olarak Convolutional Neural Network (CNN) kullanılmıştır. VGG16, VGG19 ve ResNET50 modelleri kullanarak aralarındaki performans karşılaştırma analizi yapılmıştır. Uygulamanın yazılım dili olarak Python ile Tensorflow, Keras ve OpenCV kütüphaneleri kullanılmıştır. Yapılan analiz tespiti sonucunda böbrek tümörlerinin saptanmasında %85’lere varan oranda tespitin başarılı şekilde gerçekleştirildiği görülmüştür., Kidney tumors are very common nowadays. Tumor in the patient's kidney; may vary in size and region. If the tumor cannot be detected correctly by a specialist, late diagnosis and early treatment are not applied, patients are at risk of death. In such cases, the importance of technology becomes clear. With the rapid development of technology, the concept of artificial intelligence has become the center of our lives in recent years. Medicine is also one of the areas where this concept is used the most. Computed tomography medical imaging devices are widely used in the detection of kidney tumors. Within the scope of this study, images obtained by computerized tomography device were used. Convolutional Neural Network (CNN) was used as the classifier model for kidney tumor detection analysis. Performance comparison analysis between them was made using VGG16, VGG19 and ResNET50 models. Python and Tensorflow, Keras and OpenCV libraries were used as the software language of the application. As a result of the analysis, it was seen that it was successfully performed in the detection of kidney tumors

Chest X-ray (CXR) images are used to detect and differentiate diseases such as covid19, pneumonia, tuberculosis, and cancer. Many medical image analysis methods based on Deep Learning techniques have been proposed for health monitoring and diagnosis from CXR images. Deep Learning techniques have been used for various medical applications such as organ segmentation and cancer detection. Current studies in this area focus on the entire lung for disease diagnosis. Instead, it is thought that focusing on the left and right lung regions will improve the disease classification performance of Deep Learning algorithms. The aim of this study is to develop a model that will segment the lung region from CXR images using deep learning and image processing methods. For this purpose, a semantic segmentation model based on U-Net architecture, which is a deep learning method, has been developed. As it is widely known, U-Net shows high segmentation performance for various applications. U-Net is a different architecture composed of convolutional neural network layers and it gives more successful results in pixel-based image segmentation than classical models, even if there are few training images. For the training and testing of the model, the data set containing 138 chest X-ray images taken from the tuberculosis control program of the Montgomery County Health and Human Services Department, USA was used. The images in the dataset were randomly divided into 80% training, 10% validation, and 10% testing. The performance of the developed model was measured with the Dice Coefficient and the average value of 0.9763 Dice Coefficient was reached. It is important to crop the left and right lung regions detected by the model from the CXR images. For this, bitwise processing is applied to binary images with the image processing method. Thus, lung regions were obtained from CXR images. With these images, focusing on the cropped segment image instead of the overall CXR image can be used to classify many lung diseases., Göğüs X-ışını (GXI) görüntüleri, Covid19, zatürre, tüberküloz, kanser gibi hastalıkların tespiti ve ayırt edilmesi için kullanılır. GXI görüntülerinden sağlık takibi ve teşhisi için Derin Öğrenme tekniklerine dayalı birçok tıbbi görüntü analiz yöntemi önerilmiştir. Derin Öğrenme teknikleri, organ segmentasyonu ve kanser tespiti gibi çeşitli tıbbi uygulamalar için kullanılmıştır. Bu alanda yapılan mevcut çalışmalar hastalık teşhisi için akciğerin tümüne odaklanmaktadır. Bunun yerine sol ve sağ akciğer bölgelerine odaklanmanın Derin Öğrenme algoritmalarının hastalık sınıflandırma performansını artıracağı düşünülmektedir. Bu çalışmadaki amaç, derin öğrenme ve görüntü işleme yöntemlerini kullanarak GXI görüntülerinden akciğer bölgesini segmentlere ayıracak bir model geliştirmektir. Bu amaçla, Derin öğrenme yöntemi olan U-Net mimarisi tabanlı semantik segmentasyon modeli geliştirilmiştir. Yaygın olarak bilindiği gibi U-Net çeşitli uygulamalar için yüksek segmentasyon performansı gösterir. U-Net, evrişimli sinir ağı katmanlarından oluşturulmuş farklı bir mimaridir ve piksel temelli görüntü segmentasyon konusunda az sayıda eğitim görüntüsü olsa dahi klasik modellerden daha başarılı sonuç vermektedir. Modelin eğitim ve test işlemleri için ABD, Montgomery County Sağlık ve İnsan Hizmetleri Departmanının tüberküloz kontrol programından alınan 138 GXI görüntülerini içeren veri seti kullanılmıştır. Veri setinde bulunan görüntüler %80 eğitim, %10 doğrulama ve %10 test olarak rastgele bölünmüştür. Geliştirilen modelin performansı Dice katsayısı ile ölçülmüş ve ortalama 0,9763 Dice katsayısı değerine ulaşılmıştır. Model tarafından tespit edilen sol ve sağ akciğer bölgesinin GXI görüntülerinden kırpılarak çıkarılması önem arz etmektedir. Bunun için görüntü işleme yöntemi ile ikili görüntülerde bitsel işlem uygulanmıştır. Böylece GXI görüntülerinden akciğer bölgeleri elde edilmiştir. Elde edilen bu görüntüler ile GXI görüntüsünün tümüne odaklanmak yerine kırpılmış segmentli görüntüye odaklanmak birçok akciğer hastalıklarının sınıflandırılmasında kullanılabilir.

White blood cells are the most important structure of the human immune system and are produced by the bone marrow in the blood and lymph tissues. These cells are the defense mechanisms that protect the human body against diseases and foreign organisms, and Leukopenia may be encountered when the rate in the blood decreases. Intensive effort is required to determine the ratio of these cells in the human body and to detect and treat the disease. In this study, it is aimed to improve the white blood cell classification performance by using deep learning models. Convolutional neural network models are used to perform the classification process more efficiently. Densenet201, ResNet50, and Alexnet were combined to distinguish between the white blood cell variants, eosinophils, lymphocytes, monocytes, and neutrophils. Three different machine learning classifiers, namely K-Nearest Neighborhood, Support Vector Machine and Naïve Bayes, were used to classify the obtained feature maps. By applying CLAHE and Gaussian filters to Kaggle dataset images trained with Deep Learning (DL), these images were reclassified with three CNN networks. It has been revealed that the results obtained after applying these filters are higher than the classification results obtained with the original data., Beyaz kan hücreleri, insanların bağışıklık sisteminin en önemli yapısı olup, kan ve lenf dokularında kemik iliği tarafından üretilmektedir. Bu hücreler insan vücudunu hastalık ve yabancı organizmalara karşı koruyan savunma mekanizmalarıdır ve kandaki oranı düştüğünde Lökopeni ile karşılaşılabilir. Bu hücrelerin insan vücudundaki oranının belirlenmesi ve hastalığın tespit ve tedavisi için yoğun emek harcaması gerekmektedir. Bu çalışmada, derin öğrenme modellerini kullanarak beyaz kan hücreleri sınıflandırma performansının iyileştirilmesi amaçlanmıştır. Sınıflandırma işlemini daha verimli gerçekleştirmek için evrişimli sinir ağı modelleri kullanılmıştır. Beyaz kan hücresi çeşitleri olan eozinofil, lenfosit, monosit ve nötrofil arasında ayrım yapmak için Densenet201, ResNet50 ve Alexnet birleştirilmiştir. Elde edilen özellik haritalarının sınıflandırılması için K-En yakın komşuluk, Destek Vektör Makinesi ve Naïve Bayes olmak üzere üç farklı makine öğrenmesi sınıflandırıcısı kullanılmıştır. Derin Öğrenme (DÖ) ile eğitilen Kaggle veri kümesi görüntülerine CLAHE ve Gauss filtreleri uygulanarak bu görüntüler üç ESA ağı ile yeniden sınıflandırılmıştır. Bu filtreler uygulandıktan sonra elde edilen sonuçların, orijinal verilerle elde edilen sınıflandırma sonuçlardan daha yüksek olduğu ortaya konmuştur.

Ağızda bulunan bakterilerin ürettiği asitler dişlerin mineral dokusunu bozarak diş çürüklerine neden olmaktadır. Zamanla kişilerin ağzında bakteriler birikir ve bu bakteriler gıdalarla birleşir. Ağız bakımına yeterli özen gösterilmediğinde diş minesi zarar görür ve diş çürümeleri gerçekleşir. Yakın bir döneme kadar kökü iltihaplanmış hasta dişler, diğer bölgelere zarar vermemesi amacıyla çekilmekteydi. Fakat gelişen görüntüleme teknikleri sayesinde diş çekimi yapılmadan uygulanan tedavilerin sayısı ve başarı oranı hızla artmıştır. Diş çürükleri insanların hayatlarını olumsuz yönde etkilemektedir. Bu çalışmada röntgen görüntüleri üzerinde diş çürüklerinin hızlı bir şekilde tespit edilerek hastaların diş kayıplarının minimuma indirilmesi amaçlanmaktadır. Diş görüntüleri ile derin öğrenme modelleri kullanılarak uygulanan tedavi yöntemleri dolgu, kanal, köprü sınıflarına ayrılmıştır. Ayrıca diş görüntülerine ön işlem olarak luv-v kanalı ve adaptif histogram eşitleme işlemi uygulanarak derin öğrenme modellerinin performanslarının artırılması amaçlanmıştır. 553 tane diş röntgeninden oluşan veri seti üzerinde yapılan segmentasyon işlemlerinin ardından, derin öğrenme modellerinden Faster R-CNN ve Yolov5 modelleri ile deneysel çalışmalar gerçekleştirilmiştir. Yapılan deneysel çalışmalar sonucunda; Faster R-CNN %86.7 doğruluk değerine ulaşılırken, Yolov5 modelinde ise %92.7 oranında doğruluk oranına ulaşılmıştır. Görüntü işleme ve Yolov5 hibrit modelinin uygulanması sonucunda elde edilen karar destek sistemi diş kliniklerinde kullanılabilecektir., The acids produced by the bacteria in the mouth cause dental caries by disrupting the mineral tissue of the teeth. Over time, bacteria accumulate in the mouth of people and these bacteria combine with food. When adequate care is not given to oral care, tooth enamel is damaged and tooth decay occurs. Until recently, infected teeth were extracted in order not to damage other areas. However, thanks to developing imaging techniques, the number and success rate of treatments applied without tooth extraction has increased rapidly. Tooth decay affects people's lives negatively. In this study, it is aimed to quickly detect dental caries on x-ray images and to minimize the tooth loss of the patients. Treatment methods applied using dental images and deep learning models are divided into filling, canal and bridge classes. In addition, it is aimed to increase the performance of deep learning models by applying the Luv-v channel and adaptive histogram equalization process as a preprocessing to tooth images. After segmentation processes on the data set consisting of 553 dental x-rays, experimental studies were carried out with Faster R-CNN and Yolov5 models, which are deep learning models. As a result of the experimental studies; while Faster R-CNN reached %86.7 accuracy, Yolov5 model achieved %92.7 accuracy. The decision support system obtained as a result of image processing and application of the Yolov5 hybrid model can be used in dental clinics.

2019 Aralık ayında Wuhan kentinde başlayan ve tüm dünyayı etkisi altına alan COVID-19 hastalığı pek çok insanın hayatını kaybetmesine neden olmuştur. İnsandan insana yayılım gösteren bu hastalığın hızlı bir şekilde tespit edilerek hastaların izolasyona tabi tutulması salgının kontrol altına alınması açısından önem taşımaktadır. COVID-19 hastalığını tespit etmek için kullanılan güvenilir yöntemlerin başında akciğer X-Ray görüntüleri gelmektedir. Ancak COVID-19 hastalığına benzer özellikleri taşıyan akciğer hastalıklarının olması, radyologların tanı işlemlerini zorlaştırmaktadır. Bu çalışmada, akciğer X-Ray görüntüleri ile transfer öğrenme modelleri kullanılarak COVID-19 hastalığını tespit etmek amaçlanmıştır. Oluşturulan veri seti üzerinden yapılan segmentasyon işlemlerinin ardından, VGG-16, ResNet-50, DenseNet-121 ve Inception V3 gibi son teknoloji transfer öğrenme modelleri ile deneysel çalışmalar yapılmıştır. Çalışmaların sonucunda en yüksek % 96.7 doğruluk oranı VGG-16 modelinde tespit edilmiştir., The COVID-19 disease, which started in the city of Wuhan in December 2019 and affected the whole world, caused many people to die. Rapid detection of this disease, which spreads from person to person, and isolation of patients are important in terms of controlling the epidemic. Lung X-Ray images are the leading reliable methods used to detect COVID-19 disease. Due to, the presence of lung diseases with similar features to COVID-19 makes it difficult for radiologists to diagnose. In this study, it was aimed to detect COVID-19 disease by using transfer learning models with lung X-ray images. After the segmentation processes on the created dataset, experimental studies were carried out with the latest technology transfer learning models such as VGG-16, ResNet-50, DenseNet-121 and Inception V3 models. As a result of the studies, the highest accuracy rate of 96.7% was determined in the VGG-16 model.

Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur. Processing of visual data has been used frequently in recent years, especially in the medical field. By using deep learning methods, a sub-branch of artificial intelligence, together with image processing methods; It has been successfully applied in many areas, especially tissue analysis and automatic classification of diseases. Deep learning experienced a stagnation due to the inadequacy of the existing hardware for a while, but it started to become a popular field again with the 2000s. With the developments in GPU, there has been a transition from shallow artificial neural networks to deep artificial neural networks. Thanks to back propagation algorithms between layers, hidden and distinctive features in large data sets are discovered. This reveals the effectiveness of artificial neural networks and deep learning methods. In this study, histopathological breast cancer images in the BreakHis dataset were classified using image processing and deep learning methods. At the same time, studies in the literature were also examined. The aim of the thesis is to present an automatic method for the early and accurate diagnosis of breast cancer, which is very common in women in recent years. As a result of the studies carried out in this way, a study has been put forward that will support medical professionals in their decisions.

Yapısal elemanların hasar görmesi sonucu gerek can kayıpları gerekse mal kayıpları nedeniyle sosyolojik ve ekonomik birçok sorunu beraberinde getirmektedir. Bu sebeple hasar görmüş yapılardaki hasar tespiti ciddi boyutlara ulaşmadan tespit edilmesi önem taşımaktadır. Hasar tespitinde birçok teknik kullanılabilmektedir. Bu tekniklerden hızlı uygulanabilirliği açısından ve geniş alanlarda kullanım kolaylığı sağlamasından dolayı görüntü tabanlı yöntemler kullanılmaktadır. Tez çalışmasında makine öğrenmesi metotları ile görüntü tabanlı analiz yapan yapay zekâ modelleri geliştirilmiştir. Makine öğrenmesi metotlarından olan derin öğrenme algoritmaları ile iki farklı görüntü işleme algoritması geliştirilmiştir. Yapılan ilk çalışmada çatlak görüntüsü üzerinde çatlak sınıflandırma yapan 3 farklı mimaride derin öğrenme modeli eğitilerek karşılaştırılmıştır. Yapılan ikinci çalışmada çatlak segmentasyonu yani görüntü verisi üzerinde bulunan çatlak bölgelerinin piksellerinin tespitini gerçekleştirebilen bir segmentasyon modeli geliştirilmiştir. Sınıflandırma çalışmasında farklı mimariler ile yapılan çatlak sınıflandırma modellerinin birbirlerine göre farklılıkları değerlendirilmiştir. Geliştirilen çatlak segmentasyon modeli kameradan anlık çatlak tespiti yapabilen mobil uygulama haline getirilmiştir., As a result of the damage to the structural elements, it brings with it many sociological and economic problems due to both loss of life and loss of property. For this reason, it is important to detect the damage in damaged structures before they reach serious dimensions. Many techniques can be used in damage assessment. Among these techniques, image-based methods are used because of their rapid applicability and ease of use in large areas. In the thesis study, artificial intelligence models that make image-based analysis with machine learning methods have been developed. Two different image processing algorithms have been developed with deep learning algorithms, which is one of the machine learning methods. In the first study, 3 different architectures that perform crack classification on the crack image were compared by training the deep learning model. In the second study, a segmentation model was developed that can detect the crack segmentation, that is, the pixels of the crack regions on the image data. In the classification study, the differences between the crack classification models made with different architectures were evaluated. The developed crack segmentation model has been turned into a mobile application that can detect instant cracks from the camera.

Duygu tanıma ve davranış yargısı gibi duyguları anlamanın anahtarı görevini gören yüz ifadelerini anlama, insanların günlük hayatında oldukça değerlidir. Anlık olarak sistemlerde algılanan görüntü ve videodan duyguları tanımak, her ne kadar insanların gözleri için kolay ve önemsiz olsa da makineler için çok doğru bir şekilde algılanması zorlayıcı olup uygulanmasında birçok görüntü işleme tekniği gerektirmektedir. Günümüzde önemli bir yere sahip olan yüz duygu durumu sistemleri, her geçen gün daha çeşitli alanlarda uygulanıp ilgi çekmeye devam etmektedir. Yüz duygu durumu ile birlikte yaş ve cinsiyetin canlı şekilde kameradan belirlenmesinin, birçok potansiyel amaca hizmet edeceği tahmin edildiğinden bu çalışmada canlı kamera görüntüsündeki yüzlerin duygu durumu, cinsiyeti, yaş aralığı ve duygu durumuna bağlı olarak da stres oranı hesaplanmaktadır. Çalışmada veri seti olarak FER2013, FER+ ve UTKFace kullanılmış olup, CNN modellerinden ise özelleştirilmiş CNN modeli, VGG-16, ResNet-50 ve ResNet-152 mimarileri tercih edilmiştir. Elde edilen sonuçlarda en iyi performansı ResNet-50 modeli sağlamıştır. Tüm tahmin edilen anlık durumlar için gerçek hayatta eğitim, sağlık, iş güvenliği, suç tespitleri, ticaret vb. gibi farklı uygulamalarda oluşturulan sistemin kullanımı önceden uyarıcılar oluşturmaya da yardımcı olabilecektir. Hali hazırda uygulanan birçok sistem günlük hayatta mevcut olsa da bu sistemleri aynı anda tek bir çatı altında toplayarak bir adım daha ileriye götürmeyi amaçlayıp bu çalışmayı daha önce literatürde olmayan bir şekilde tamamlamış bulunuyoruz. Understanding facial expressions, which serve as the key to understanding emotions such as emotion recognition and behavioral judgment, is very valuable in people's daily lives. Although it is easy and insignificant for people's eyes, it is difficult for machines to perceive it accurately and requires many image processing techniques to be applied. Facial emotion recognition systems, which have an important place today, are being applied in various areas and continue to attract attention. Since the prediction of facial emotion with age and gender in live camera captures will serve many potential purposes, in this study, the stress rate is calculated based on the emotional perspectives of the faces in the live camera image. In the study, FER2013, FER+, and UTKFace were used as data sets, and customized CNN model, VGG-16, ResNet-50, and ResNet-152 architectures were preferred among CNN models. In the obtained results, the ResNet-50 model provided the best accuracy performance. All predicted instant situations in real life are able to help in various application areas such as education, health, job security, crime detection, trade, etc. Although many systems that are currently applied exist in daily life, we have completed this study in a way that has not been in the literature before, aiming to take these systems one step further by gathering these systems under one roof at the same time.

Teknolojinin geliştiği ve firmaların ve küreselleşme çabası içerisinde yatırımlarını arttırdığı bir dönemde, yeni fikirlerin ortaya çıkması ve rekabetin artması kaçınılmaz hale gelmiştir. Zaman içerisinde cihazların donanım kapasitelerinin de artması sonucu birçok sektörde otonom sistem çalışmaları hız kazanmıştır. Makine öğrenmesi ve derin öğrenme alanındaki gelişmeler karmaşık problemlerin çözümüne ve birçok farklı uygulamanın geliştirilmesine olanak sağlamıştır. Otonom araçlar, insan müdahalesi gerektirmeyen ve kendi kendine hareket kabiliyetine sahip olan araçlardır. Son yıllarda otonom araçlar, askeri, ticari ve araştırma projeleri olmak üzere hem akademik alanda, hem savunma sanayi alanında hem de özel sektörde kendine yer edinmiştir. Otonom araçların gelişimi ve kullanımının yaygınlaşması ile sürücü kaynaklı trafik kazalarının engellenebileceği, yakıt tasarrufunun artacağı ve yoğun trafik sıkışıklığı problemini ortadan kaldıracağı öngörülmektedir. Bu bağlamda tez çalışmasında, yapay sinir ağlarının temel çalışma prensipleri, fonksiyonları ve barındırdıkları değişkenler incelenmiştir. Ardından, 0’dan 9’a kadar olan sayılardan oluşan MNIST veri setine dayalı olarak bir evrişimli sinir ağı modeli oluşturulmuştur. Tüm ağ katmanları detaylıca incelenmiş ve modelin başarı sonuçları grafikler ile değerlendirilmiştir. Son olarak sürücüsüz bir aracın özerk hareketi için derin öğrenme modeli oluşturularak, bir sinir ağı eğitimi gerçekleştirilmiştir. Çalışma esnasında Torch kütüphanesi kullanılmış ve GPU üzerinden çalışan bir derin öğrenme uygulaması gerçekleştirilmiştir. Çalışma kapsamında araç kiti, Jetson Nano geliştirme kartı, Raspberry Pi kamera modülü ve ultrasonik sensör kullanılmış, otonom sürüş için de bir parkur hazırlanmıştır. Eğitilen sinir ağı modeliyle beraber aracın otonom bir şekilde parkuru tamamlaması sağlanmış ve çalışmanın sonuçları grafiklerle sunulmuştur. In a period when technology develops and firms increase their investments in the effort of globalization, it has become inevitable for new ideas to emerge and competition to increase. As a result of the increase in the hardware capacities of the devices over time, autonomous system studies have accelerated in many sectors. Advances in machine learning and deep learning have enabled the solution of complex problems and the development of many different applications. Autonomous vehicles are vehicles that do not require human intervention and have the ability to move on their own. In recent years, autonomous vehicles have gained a place in both the academic field, the defense industry and the private sector, including military, commercial and research projects. It is predicted that with the development and widespread use of autonomous vehicles, driver-related traffic accidents can be prevented, fuel savings will be achieved and traffic congestion will be eliminated. In this context, the basic working principles, functions and variables of artificial neural networks were examined in the thesis study. Then, a convolutional neural network model was created based on the MNIST dataset consisting of numbers from 0 to 9. While creating the model, all layers were examined in detail and the success results of the model were evaluated with graphics. Finally, a deep learning model was created for the autonomous movement of a driverless vehicle and neural network training was carried out. During the study, the Torch library was used and a deep learning application running on the GPU was implemented. Within the scope of the study, a car kit, Jetson Nano development board, Raspberry Pi camera modüle and ultrasonic distance sensor were used, and a track was prepared for autonomous driving. With the trained neural network model, the vehicle was provided to complete the track autonomously and the results of the study were presented with graphics.

Yüksek Lisans Tezi, Günümüzde teknolojinin ilerlemesi, formlar ve dilekçeler gibi belgelerin bilgisayar ve dijital ortamda doldurulmasına neden oldu. Ancak bazı durumlarda, belgeler hala baskıda geleneksel tarzda korunmaktadır. Bununla birlikte, belgelerin farklı büyüklükleri (kapladığı yer) nedeniyle, depolanması, paylaşılması ve dosyalanması gibi bazı zorluklar bulunmaktadır. Bu nedenle, yazılı belgelerin dijital ortama taşınması büyük önem taşımaktadır. Bu ve benzeri nedenlerden dolayı, bu çalışma el yazısıyla yazılmış belgelerin sayısallaştırılmasına ilişkin metodolojileri inceleyerek Konvolüsyon Sinir Ağ yöntemi ile el yazılarının sayısallaştırılması amaçlanmıştır. Bunun için, görüntü formatına dönüştürülen belgeler görüntü işleme yöntemleri kullanılarak önceden işlenmiştir. Bu işlemler, belgenin satırlarını görüntü formatına bölmeyi, daha sonra karakterlere bölünen kelimelere bölmeyi ve son olarak karakterler üzerinde bir sınıflandırma işlemini içerir. Sınıflandırma aşamasında, derin öğrenme yöntemlerinden biri olan ve görüntü tanımada kullanılan Konvolüsyon Sinir Ağı yöntemi kullanılmıştır. Model, EMNIST veri kümesi kullanılarak ve eldeki belgelerden oluşturulan karakter veri kümesinde eğitilmiştir. Oluşturulan veri kümesi %88.72'lik bir başarı oranını yakalamıştır., The advancement of technology nowadays resulted into documents, such as forms and petitions, being filled out in computer and digital environment. Yet in some cases, documents are still preserved in traditional style, on print. Due to its distinct proportions, however, its storage, sharing and filing has become a complication. The relocation of these written documents to digital environment is therefore of great significance. In this view, this study aims to explore methodologies of digitizing handwritten documents. In this study, the documents converted to image format were pre-processed using image processing methods. These operations includes dividing lines of the document into image format, dividing into words which then divided into characters, and finally, a classification operation on the characters. As classification phase, one of the deep learning methods is the Convolution Neural Network method is used in image recognition. The model was trained using the EMNIST dataset, and in the character dataset created from the documents at hand. The dataset created had a success rate of 88.72.

Uluslararası kamu sağlığı acil durumu olan COVID-19 hastalığının başlıca bulaşma yolları, solunum damlacıkları ve fiziksel temastır. Hastalığın yayılımını önlemek ve salgınla mücadele etmenin kapsamlı stratejilerinden biri olarak kamusal alanda medikal maske kullanımı birçok toplumda zorunlu kılınmıştır. Bu kapsamda, kamusal alanda medikal maske kullanımının otomatik olarak kontrolü, salgınla mücadelede önem arz etmektedir. Bu çalışmada, transfer öğrenimi yaklaşımı ile kamusal alandan alınan görüntülerden medikal maske kullanımının otomatik olarak tespit edilmesi amaçlanmıştır. Derin mimariye transfer öğrenimi yaklaşımı uygulanarak, öğrenilmiş parametrelerinin ince ayarı ile medikal maske tespitinde etkili çözümlerin elde edilmesi amaçlanmıştır. Medikal maske kullanımının otomatik olarak tespitinde, Human in the Loop (HITL) tarafından erişime açık olarak sunulan görüntüler kullanılmıştır. SqueezeNet tabanlı transfer öğrenimi yaklaşımı ile %99,20 oranında sınıflandırma doğruluğu elde edilmiştir. ROC eğrisi altında kalan alanın (AUC) büyüklüğü ise 0,998 olarak elde edilmiştir. Ayrıca, transfer öğrenimi yaklaşımının üstünlüğünü vurgulamak için eğitilmiş parametre içermeyen SqueezeNet mimarisi de aynı veri seti üzerinde uygulanmış ve elde edilen performans değerleri karşılaştırılmıştır. Sınırlı sayıda görüntü veri kümesi üzerinde eğitilen mimari ile sınıflandırma doğruluğu ve AUC performansları sırasıyla %94,75 ve 0,976 olarak elde edilmiştir. Transfer öğrenimi yaklaşımı ile çok kısa sürede eğitilen derin mimarinin medikal maske kullanımı tespitinde etkileyici bir performans sergilediği gözlemlenmiştir., The main transmission routes of COVID-19, an international public health emergency, are respiratory droplets and physical contact. As one of the comprehensive strategies to prevent and fight against disease the outbreak, the use of medical masks in the public sphere has been made mandatory in many societies. In this context, automatic control of the use of medical masks in the public sphere is crucial in the fight against the outbreak. This study aimed to detect the use of medical masks automatically from images of the public sphere by the transfer learning approach. By transfer learning approach to deep architecture, it is aimed to obtain effective solutions in medical mask detection with fine-tuning of pre-trained parameters. The image data set offered by Human in the Loop (HITL) as open access was used for the automatic detection of medical masks. The SqueezeNet based on transfer learning approach proposed in this study achieved a classification accuracy of 99.20%. In addition, the AUC (area under the ROC curve) value was found as 0.998. To emphasize the superiority of the transfer learning approach, the SqueezeNet architecture, which does not contain trained parameters, was also applied to the same data set and the obtained performance metrics were compared. The model trained from scratch on a limited number of image dataset offered classification accuracy and AUC performances as 94.75% and 0.976, respectively. As a result, it has been observed that the deep architecture, which has been trained in a very short time with the transfer learning approach, has an impressive performance in detecting the use of medical masks.

Doğanın bir parçası olan bitkiler çevremize güzellik katmanın yanı sıra alternatif tıp gibi farklı sebep için de kullanılmaktadır. Bu gibi uzmanlık gerektiren durumlarda halk arasında yayılan yanlış bilgilerle zehirli bitkilerin şifalı olduğu düşünülerek kullanılması ölüme kadar gidebilecek sorunlara yol açmaktadır. Bu çalışmada yapay zeka teknikleri kullanılarak yaprak görüntülerindeki yaprak türlerinin belirlendiği bir sistem aracılığıyla bu sorunlara çözüm sağlanması amaçlanmaktadır. Son zamanlarda yaygın olarak kullanılan yapay zeka tekniklerinden biri olan evrişimli sinir ağı kullanılmıştır. Çok katmanlı yapısı, birçok parametreye sahip olması ve çok fazla ön işlem gerektirmeden öznitelik öğrenebilmesi, birçok çalışmada kullanılmasının nedenlerinden biridir. Bu çalışmada, sabit bir arka plana sahip yaprak görüntülerinden oluşan 5 farklı veri seti ile evrişimli sinir ağının eğitimi ayrı ayrı yapılmış ve bu eğitim sonucu parametrelerin eğitime olan etkisi incelenmiştir. Bu veri setlerinin birleştirilmesiyle elde edilen 270 türden oluşan birleştirilmiş bir veri seti oluşturulmuştur. Evrişimli sinir ağı ile genel amaçlı bir yaprak sınıflandırma modeli elde edilmiştir. Sınıflandırma işlemi ile elde edilen sonuçlar literatürdeki çalışmalar ile karşılaştırılmıştır., Plants, which are a part of nature, are used for different reasons, such as alternative medicine as well as adding beauty to our environment. In such cases requiring expertise, the misinformation spread among the public and the use of poisonous plants considering that they are medicinal causes problems that can go up to death. In this study, it is aimed to solve these problems through a system that determines the species of leaves in leaf images using artificial intelligence techniques. Convolutional Neural Network (CNN), one of the most widely used artificial intelligence techniques, has been used recently. Its multi-layer structure, having many parameters and being able to learn features without requiring too much pre-processing is one of the reasons why it is used in many studies. In this study, the training of the convolutional neural network was carried out separately with 5 different data sets consisting of leaf images with a fixed background, and the effect of these training parameters on training was investigated. A combined data set consisting of 270 species obtained by combining these data sets was created. A general purpose leaf classification model is obtained with convolutional neural network. The results obtained by the classification process were compared with the studies in the literature.

Bu tez çalışmasında, görüntü işleme teknikleri ve derin öğrenme modelleri incelenmiş, bu araştırmalar sonucunda derin ve görüntü işleme yöntemleri ile detaylı sınıflandırma için çözüm sunulmuştur. Çalışmada, evrişimsel sinir ağları modeli bir derin öğrenme eğitilmesi fikri sunulmaktadır, görüntü iyileştirme ile kenar belirleme görüntü işleme teknikleri kullanılarak modele verilen örnek görüntüler önceden belirlenen problem bazlı etiket gruplarına göre 70% ile 99% arasında bir oranla detay sınıflandırması yapmaktadır. Sonuçlar, çalışmanın çeşitli alanlara uygulanabileceğine ve ileride daha da geliştirilebileceğini göstermektedir., In this thesis, image processing techniques and deep learning models were examined, and as a result of these researches, a solution was presented for detailed classification with deep and image processing methods. In the study, the idea of training the conventional neural network model in deep learning is presented, using image enhancement and edge detection image processing techniques, sample images given to the model make a detailed classification between 70% and 99% according to predetermined problem-based label groups. The results show that the study can be applied to various fields and can be further developed in the future.

Hayvancılık insanlık tarihinin başlangıcından beri insanoğlunun vazgeçilmez geçim kaynaklarından biridir. Günümüzde artan insan nüfusuna bağlı olarak hayvancılık endüstrisi de hızla gelişmektedir. Yetiştirilen hayvanların izlenmesi ve gelişim süreçlerinin takip edilmesi verimlilik açısından öneme sahiptir. Bu kapsamda büyükbaş besi çiftliklerinde yetiştirilen hayvanların ağırlıklarının belirlenmesi ve düzenli olarak takip edilmesi gerekir. Büyükbaş hayvancılıkta hayvanların düzenli olarak kantara çıkarılması ve ağırlıklarının kayıt altına alınması zor bir iştir. Bu nedenle bu işlem çoğu zaman düzenli olarak gerçekleştirilemez veya ihmal edilebilir. Bu çalışmada stereo görme ve semantik segmentasyon yöntemleri beraber kullanılarak büyükbaş hayvanların ağırlığı tahmin edilmeye çalışılmıştır. Özdeş iki kameradan oluşan stereo düzenek ile farklı açılardan hayvan fotoğrafları çekilmiş ve stereo hesabı ile hayvanların kamera düzlemine olan mesafeleri hesaplanmıştır. Segmentasyon yöntemleri ile hayvanların görüntülerde kapladığı alanlar belirlenmiş ve bu veriler kullanılarak farklı derin öğrenme modelleri eğitilmiştir. Veri seti ve modellerin öneminden bahsedilmiştir. Yapılan çalışma gelecekte yapılabilecek ek çalışmalarla sonuçların daha da iyileştirilebileceğini göstermektedir., Animal husbandry has been one of the indispensable sources of livelihood of human beings since the beginning of human history. Today, depending on the increasing human population, the livestock industry is developing rapidly. Monitoring the animals raised and following their development processes are important in terms of efficiency. In this context, it is necessary to determine the weight of the animals raised in cattle breeding farms and to follow them regularly. In cattle breeding, it is a difficult task to regularly weigh animals and record their weights. For this reason, this process often cannot be performed regularly or can be neglected. In this study, it was tried to estimate the weight of cattle by using stereo vision and semantic segmentation methods together. Animal photos were taken from different angles with a stereo setup consisting of two identical cameras, and the distances of the animals to the camera plane were calculated with the stereo calculation. The areas covered by the animals in the images were determined by segmentation methods and different deep learning models were trained using these data. The importance of dataset and models is mentioned. The study shows that the results can be improved further with additional studies that can be done in the future.

İnsansız hava araçları yüksek manevra kabiliyeti ve havada asılı kalma yeteneği ile yaygın olarak kullanılır hale gelmiştir. Günümüzde askeri alanda sıklıkla kullanılır hale gelmiş olan İHA'lar yardımıyla kamikaze dalışları ve mühimmat konuşlandırması gerçekleştirilmektedir. Hareketli bir nesneyi İHA ile yakalamayı hedefleyen bu projede literatürde daha önce gerçekleştirilmiş çalışmalardan farklı olarak İHA uçuş modundayken hedef tespitini görüntü işleme teknikleri yerine derin öğrenmek teknikleriyle gerçekleştirmek, bu iki tekniğin karşılaştırması ve sonuçlarını ortaya koymak amaçlanmıştır. Araç belirli bir irtifada hedefi tanımlar ve akabinde 3 eksende takibini gerçekleştirerek hedefe doğru alçalır. Simülasyon ortamında gerçekleştirilen testlere göre derin öğrenme teknikleri hedefi tanımlama konusunda geçmiş çalışmalarda kullanılan yöntemlere göre daha isabetli olmaktadır. Simülasyon ortamı dışında henüz test gerçekleştirilememişse de simülasyon ortamında tatmin edici sonuçlar ortaya koyulmuştur. Unmanned aerial vehicles (UAVs) have found increasingly wide application due to their high maneuverability and remarkable ability to stay motionless while airborne. Munition deployment and kamikaze diving missions are two of the many modern use cases of UAVs in military operations. One aspect that sets this study apart from those in the past is that target identification during flight mode was done using only deep learning techniques, as opposed to image processing techniques, where the aim was to compare and assess the performance of the two different approaches. The target is identified from a certain altitude and tracked down in all three axes as the UAV performs controlled descent. According to tests performed in a computer simulation environment, the employed deep learning technique has achieved higher accuracy in target identification than techniques employed in earlier studies. Although no physical testing has been done as part of this study, satisfactory results have been attained within the simulation environment. 92

İnsanların yaşam biçimleri, etnik kökenleri, hareketlerini ve tercihlerini etkilemektedir. Teknolojinin gelişmesi ile insanların tanımlanması ve sınıflandırılması güvenlik, pazarlama, satış gibi farklı alanlarda daha çok kullanılmaya başlamıştır. İnsan yüzünün karakteristik özellikleri sınıflandırma için gerekli parametreleri barındırmaktatır. Bu parametreler ile sınıflandırma işlemi farklı teknikler kullanılarak yapılmaktadır. Bu çalışmada derin öğrenme teknikleri kullanılarak, insanları etnik kökenlere göre sınıflandıran bir sistem yapılmıştır. Sisteme gelen fotoğraf, görüntü işleme ve derin öğrenme teknikleri ile işleme sokulup yüz tanıma, öznitelik çıkarma, hizalama, ve sınıflandırma gibi aşamalardan geçmektedir. Farklı derin öğrenme modelleri eğitilerek karşılaştırmaları yapılmış, veri seti ve model yapılarının öneminden bahsedilmiştir. Sistem etnik kökene göre sınıflandırma yaparak elde edilen sonuçların farklı sistemler ve araştırmalarda kullanılabileceğini göstermektedir., Ethnic origins affect people's movements, preferences and lifestyles. With the development of technology, identification and classification of people has become more widely used in different fields such as security, marketing and sales. The characteristics of the human face contains the necessary parameters for classification. Classification of these parameters is done by using different techniques. In this study, a system that categorizes people according to their ethnic background is made by deep learning techniques. The photograph is processed with image processing and deep learning techniques and passed through stages such as face recognition, feature extraction, alignment, and classification. Different deep learning models have been trained and compared, and the importance of data set and model structures has been mentioned. The system shows that the results obtained by classification according to ethnic origin can be used in different systems and researches.

Trafik kazaları, yanlış davranış, dikkatsizlik, ihmal gibi sebeplerin bir araya gelmesi ile oluşmaktadır. Bu kazalar sonucunda can ve mal kayıpları yaşanmaktadır. Dünyadaki trafik kazalarının başlıca nedenlerinden biri sürücünün yorgun ve uykusuz araç kullanmasından kaynaklanmaktadır. Bu nedenle araç içerisinde sürücünün anlık durumu izlenip, yorgunluk tespiti yapılarak kazaların sayısında büyük oranda azalma sağlanabilir. Bunun için gerçek zamanlı çalışan, sürekli olarak sürücüyü izleyen ve yüksek doğrulukla çalışabilen bir sisteme ihtiyaç vardır. Ayrıca, bu sistem araç içerisine yerleştirilebilmesi için gömülü bir cihaz üzerinde çalıştırılabilir olmalıdır. Bu çalışmada, ilgili sorunun çözülebilmesi kapsamında düşük maliyetli gömülü bir cihaz üzerinde gerçek zamanlı çalışan ve derin öğrenme bazlı yüksek doğrulukta performans gösteren yeni bir yaklaşım önerilmiştir. Önerilen sistem, Nvidia Jetson Nano gömülü cihazı üzerinde sürücünün göz ve ağız bölgelerini kullanarak dört farklı durum ile sınıflandırma yapmaktadır. Böylece olası bir kazanın önüne geçilerek can ve mal kaybının minimum seviyeye indirgenmesi hedeflenmektedir. Traffic accidents are occurred by a combination of causes such as misbehavior, carelessness, and negligence. As a result of these accidents, lethal accidents and property loss are experienced. One of the main causes of traffic accidents in the world is due to tired and sleepless driving. For this reason, the instantaneous situation of the driver in the vehicle can be monitored and fatigue can be detected and the number of accidents can be greatly reduced. For this, there is a need for a system that works in real-time, continuously monitors the driver, and can work with high accuracy. In addition, this system must be operable on an embedded device in order to be placed in the vehicle. In this study, a new approach that works in real-time on a low cost embedded device and shows high accuracy based on deep learning is proposed in order to solve the related problem. The proposed system classifies four different situations using the driver's eye and mouth areas on the Nvidia Jetson Nano embedded device. Thus, it is aimed to minimize the loss of life and property by preventing a possible accident.

Panoramik X-Ray diş görüntülerinden dişlerin olduğu bölgenin ve dişleri bölütlenmesi, çeşitli hastalıkların belirlenmesi için önemli hale gelmiş bulunmaktadır. Özellikle son dönemde gelişen teknoloji ile birlikte çalışmalara dahil olmaya başlayan Yapay Zeka (AI) temelli yapılar, hem dişlerin tespiti ve bölütlenmesi sürecini kısaltmayı hem de diş hekimlerine karar destek yapıları oluşturarak yanlış teşhisi ortadan kaldırmayı amaçlamaktadır. Ham görüntülerdeki diş olmayan piksellerin diş olan piksellere göre fazla olması ve görüntülerdeki kontrast ve renk seviyesinin bölgesel olarak farklılık göstermemesi görüntü işlemeyi zorlaştırmaktadır. Bu tezin amacı, panoramik x-ray görüntülerindeki dişlerin olduğu bölgeyi ve dişleri otomatik olarak bölütleyebilmektir. İlk olarak, görüntülerin boyutlarını hem her görüntü için sabit olması hem de işlemsel olarak hızlı sonuçlar almak için düşürerek alt-örnekleme yapılmıştır. Sonraki aşamada, görüntülerdeki diş alanının merkez noktası otomatik olarak belirlenmiştir. Daha sonra piksellerin yeğinlik değerleri, bulunan merkez noktasına göre x koordinatı, bulunan merkez noktasına göre y koordinatı ve 3x3 penceresinde maksimum ve minimum değerlerin çıkarılmasıyla elde edilen öznitelikler kullanılarak diş bölgesinin bölütlenmesi gerçekleştirilmiştir. Bunun için bir Makine Öğrenme (ML) algoritması olan CatBoost algoritması kullanılmıştır. Makine Öğrenme (ML) modeli oluşturulurken, veri setinin ezberlenmesini önlemek için eğitim veri setinin k-kat çapraz doğrulaması ve hiper parametrelerin ızgara arama optimizasyonu yöntemleri uygulanmıştır. Diş bölgesini tam olarak bölütleyebilmek için makine öğrenmesi modelinden elde edilen her sonucun üzerinde ağız bölgesinin deforme olabilen şekiller uydurulmuştur. Bu sayede diş bölgesi içinde bulunmayan piksellerden kurtulunmuş ve diş bölgesi bölütlemesi yapılmıştır. Diş bölgesini bölütledikten sonra Derin Öğrenme (DL) modeli oluşturulup bu modele sadece bölütlenen diş bölgeleri giriş olarak verilmiştir. Model içinde karalılığı sağlamak ve işlem hızını arttırmak amacıyla elde edilen bölütlenmiş diş bölgeleri görüntülerinin boyutları düşürülerek alt-örnekleme yapılmıştır. Derin Öğrenme (DL) sonucunda her görüntü üzerinde dişlere ait olan bir pencere elde edilmiştir. Her pencere içindeki dişlerin tam bölütlenmesi için Tony F. Chan ve Luminita Vese (Chan-Vese) algoritması uygulanmıştır. Bu sayede pencereler dişlerin şeklinde küçültülmüş ve bölütmele işlemi yapılmıştır. Sonuçlar, Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) için öğrenme eğrisi; dişlere ait olan piksellerin doğruluğunu ölçmek için F1, doğruluk, hatırlama ve kesinlik skorları kullanılarak analiz edilmiştir., Segmentation of the region of the teeth and segmentation of the teeth from the dental panoramic X-Ray images have become important tasks in determining various diseases. Artificial Intelligence (AI) based structures, which have started to be included in the studies with the technology that has developed recently, aim to both shorten the process of detection and segmentation of the teeth and eliminate the misdiagnosis by creating decision support structures for the dentists. It becomes difficult to process images because the number of non-tooth pixels is higher than the number of tooth pixels, and the contrast and color level in the images do not differ regionally. The main goal of this thesis is to be able to automatically segment the region of the teeth and the teeth in panoramic X-Ray images. Firstly, down-sampling was done by reducing the size of the images both to be fixed for each image and to obtain fast results in terms of computational process. In the next stage, the center point of the tooth area in the images is determined automatically. Segmentation of the region of the teeth was performed by using obtained feature set. The feature set includes intensity values of pixels, x-coordinate relative to the center point of the tooth area, y-coordinate relative to the center point of the tooth area, and the pixel values obtained by subtraction of maximum and minimum values in 3x3 window. CatBoost algorithm was used for Machine Learning (ML). While making the Machine Learning (ML) model, k-fold cross-validation and grid search optimization of hyper parameters methods were applied to prevent over-fitting of the data set. In order to fully segment the tooth region, the deform-able shapes of the mouth region are fit on each result obtained from the machine learning model. In this way, the pixels that are not in the tooth region are eliminated and the tooth region is segregated. After segmentation of the tooth region, the Deep Learning (DL) model was made and only the tooth regions that were segmented were given as an input to this model. In order to ensure the stability in the model and increase the processing speed, the down-sampling was performed by reducing the size of the segmented tooth regions obtained. As a result of Deep Learning (DL), a window belonging to the teeth was obtained on each image. Tony F. Chan and Luminita Vese (Chan-Vese) algorithm applied for the complete segmentation of the teeth in each window. In this way, the windows were reduced in the shape of the teeth and segmentation was done. The results was analyzed by using learning curve for Machine Learning (ML) and Deep Learning (DL) and by looking F1, accuracy, recall, and precision scores.

Yapılan bu tez çalışmasında video ya da kamera görüntülerinden insanları tespit ederek, insanların aktivitelerini(ayakta, koşuyor, zıplıyor, oturuyor ve yatıyor) derin öğrenme tekniklerini kullanarak tahmin edilmesi amaçlanmaktadır. Çalışmada veri seti olarak 10000 den fazla farklı internet kaynağından elde edilen resim ve video görüntüleri kullanılmıştır. Çalışmada faklı yazılım ve donanım teknolojileri kullanılmıştır. Verileri düzenleme ve etiketlemede java dili, eğitim ve model oluşturmada DIGITS, framework olarak caffe, testlerde ise Python dili kullanılmıştır. Sonuç olarak 8458 adet resim kullanılarak yapılan çalışmada farklı insan aktiviteleri derin öğrenme teknikleri kullanılarak ortalama %97 gibi büyük bir doğrulukla sınıflandırılmıştır. Tek bir resim ile yapılan DIGIT testinde %90.88, 1341 resim ile yapılan Python testinde ortalama % 97.4, video testlerinde ise ortalama 4 fps ve %92 doğruluk ile insan aktivitesi sınıflandırılmıştır. In this thesis, it is aimed to detect people from video or camera images and to predict people's activities (standing, running, jumping, sitting and lying) by using deep learning techniques. In the study, pictures and video images obtained from more than 10000 different internet sources were used as data set. Different software and hardware technologies were used in the study. Java language was used for data editing and labelling, DIGITS was used for training and modelling, caffe was used as framework and Python language was used for tests. As a result, different human activities were classified with an average accuracy of 97% by using deep learning techniques in the study, which was conducted using 8458 images. In DIGIT test with a single image, human activity was classified as 90.88%, Python test with 1341 images, and 97.4% on average, 4 fps and 92% accuracy on video tests.

Bu tez çalışmasında, derin sinir ağları kullanarak, iç ortamda elde edilmiş derinlik imgelerinden, her türlü pozisyonda bulunabilen insanların baş-omuz bölgelerinin algılanması hedeflenmiştir. Aday baş-omuz bölgelerini doğrulayacak ya da eleyecek şekilde kurgulanmış iki sınıflı derin mimariler tasarlanmıştır. Bu mimarilerin eğitilmesi ve test edilmesi için Kinect Takip Hassasiyeti Veri Kümesi, RGB-D İnsan Veri Kümesi ve UR Düşme Algılama Veri Kümesi’ndeki derinlik imgelerinden baş-omuz bölgelerini içeren kutucuklar işaretlenip kesilmiştir. Aynı şekilde, baş-omuz bölgesine benzeyen negatif kutucuklar da bu derinlik imgelerinden elde edilmiştir. Pozitif ve negatif örnekleri doğru bir şekilde sınıflandırmak üzere çeşitli derin sinir ağı mimarileri tasarlanmıştır. Sinir ağlarının eğitiminde katman arttırımının ve sinir ağlarına özel parametrelerin değişiminin sınıflandırma başarımı üzerindeki etkileri incelenmiştir The objective of this work is to detect humans in arbitrary poses from depth images acquired in indoor environment through recognition of head-shoulder regions with deep neural networks. In order to train and test deep neural networks, rectangular boxes containing head-shoulder regions were extracted from depth images in Kinect Tracking Precision Dataset, UR Fall Detection Dataset and RGB-D People Dataset. Rectangular regions containing negative examples resembling head-shoulder shape were also extracted. Several network architectures were designed to correctly classify positive and negative examples. Effects of increasing number of layers in neural networks and effects of changing special parameters on the classification performance were examined

Günümüzde dijital görüntülerin sayısı, teknolojik imkânların ve aygıtların kullanılması ile birlikte giderek artış göstermektedir. Görüntü türlerinin bilgisayar destekli sınıflandırılması tıp, güvenlik, otomasyon gibi pek çok uygulama alanında yaygın olarak kullanılmaktadır. Öznitelik çıkarma ve seçimi, örüntü tanıma sürecinin alt aşamaları olarak sınıflandırma başarımını artırmak açısından oldukça önem taşımaktadır. Tez çalışmasında, görüntüler üzerinde öznitelik çıkarma ve seçimi aşamalarının her ikisini de içeren bir örüntü tanıma çerçevesi geliştirilmiştir. Çerçevenin ilk alt modelinde, sadece manuel öznitelik çıkarma yöntemleri kullanılmıştır. Bu modelde, 4 tanesi merkez noktasına göre ikiye ayrılmış görüntülerden türetilen özgün öznitelikler olmak üzere, 194 adet öznitelik çıkarmayı sağlayan geniş bir yöntem kümesi oluşturulması literatüre yapılan katkılardandır. Öznitelik seçimi aşamasında ise genetik algoritmalardan yararlanılmıştır. Literatüre diğer bir katkı olarak geliştirilen ikinci alt modelde ise, derin öğrenme kullanılarak çıkarılan öznitelik kümesi de ilk alt modele eklenerek sistem genişletilmiş ve böylece tanıma performansı artırılmıştır. Tez kapsamında, manuel olarak 194, derin öğrenmeyle 4096 olmak üzere toplamda 4290 öznitelik çıkarmayı sağlayan bir çatı oluşturulmuş, deneysel çalışmalarda Flavia ve Caltech-101 verisetleri kullanılmıştır. Her iki verisetinde en iyi sınıflandırma başarımının ECOC-SVM modeli ile sağlandığı ve literatürdeki en iyi sonuçlara göre karşılaştırılabilir olduğu gösterilmiştir., Nowadays, the number of digital images is increasing gradually with the use of technological possibilities and devices. Computer aided classification of image types is widely applied in many applications such as medicine, security, automation. The feature extraction and selection stages have great importance in terms of increasing the classification performance as the substages of the pattern recognition process. In the thesis, a pattern recognition framework including both of feature extraction and selection stages on images is developed. In the first submodel of the framework, only manual feature extraction methods are used. In this model, making up a large set of methods for extracting 194 features, 4 of which are novel ones derived from images divided into two sections according to the center point, is one of the contributions to the literature. Genetic algorithms are utilized in the feature selection stage. In the second submodel, which is developed as another contribution to the literature, the system is extended by adding the feature set extracted by using deep learning to the first submodel, thus recognition performance is improved. In the scope of the thesis, a framework was created for extracting total of 4290 features (194 handcrafted and 4096 deep learning features), Flavia and Caltech-101 datasets were used in the experimental studies. It is shown that the best classification performance for two datasets is provided with the ECOC-SVM model and it is competetive compared to the existing state-of-the-art results in the literature.

Eimeria parazit türlerini otomatik olarak algılamak ve hastalıklı olup olmadığını tespit etmek amacıyla, Çok Katmanlı Sinir Ağı ve Konvolüsyonel Sinir Ağı derin öğrenme algoritması kullanılarak bir model mimarisi geliştirilmiştir. Modele girdi olarak tavuk ve tavşanlara ait Eimeria mikroskobik görüntüleri kullanılmıştır. Görüntülerin işlenmesinde OpenCV kütüphanesi'nden faydalanılmıştır. Keras ve Theano kütüphaneleri kullanılarak farklı modeller oluşturulmuş ve testler yapılmıştır. Oluşturulan modeller eğitilerek elde edilen sonuçların test edilebilmesi için, yüklenen mikroskobik görüntüler için sınıflandırma yapan bir web arayüzü geliştirilmiştir. Model sonucunda tavuk veri seti için %87.75 doğruluk oranıyla, tavşan veri seti için %78.42 doğruluk oranıyla hastalıklı hücreler sınıflandırılabilmektedir., A model architecture has been developed using the Multi-Layer Neural Network and the Convolutional Neural Network deep learning algorithm to automatically detect Eimeria parasite species and determine if they are diseased. Eimeria microscopic images of chickens and rabbits were used as model inputs. Images have been processed in the OpenCV library. Different models has been obtained using by Keras and Theano libraries. An application with web user interface has been developed that classifies the obtained model for the run and loaded the microscopic image. As a result of models, cell images can be classified with an accuracy of %87.75 for chicken dataset, %78.42 for rabbit dataset.