Search

The world first met the coronavirus (COVID-19) in Wuhan, China in December 2019. It has continued to increase its influence from the first encounter until today. The detection of this virus, which has caused the death of many, is of great importance today. There are many approaches to the detection of this disease. One of the most effective of these approaches is the detection of COVID-19 disease using chest X-Ray images. In this paper, an intelligent system was proposed to classify normal, pneumonia patients and COVID-19 patients using chest X-Ray images. The proposed system was composed of four stage. At first, all images in the dataset were pre-processed. Then for the feature extraction uniform Local Binary Pattern (LBP) and DenseNet201 deep learning models were used. Particle swarm optimization (PSO) algorithm was used to select effective features. The determined effective features were classified by support vector machine (SVM). Accuracy and AUC parameters were used as performance criteria. Evaluated accuracy and AUC values were 99.9%, 1.00, respectively. The dataset and proposed model codes are made publicly available at: https://github.com/mfatiho/covid-detection-chest-xray, Koronavirüsle ilk olarak Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkmıştır. Bugüne kadar etkisini artırmaya devam ettirmiştir. Birçok kişinin ölümüne neden olan bu virüsün tespiti günümüzde büyük önem taşımaktadır. Bu hastalığın tespiti için birçok yaklaşım bulunmaktadır. Bu yaklaşımların en başarılılarında biri göğüs röntgeni görüntüleri kullanılarak koranavirüs hastalığının veya hastalarının tespitidir. Bu çalışmada, göğüs röntgeni görüntüleri kullanılarak normal, zatürre ve koranavirüs hastalarını sınıflandırmak için akıllı bir sistem önerilmiştir. Önerilen sistem dört aşamadan oluşmaktadır. İlk olarak, veri setindeki tüm görüntüler ön işleme tabi tutulmuştur. Daha sonra özellik çıkarımı için tek tip Yerel İkili Örüntü (LBP) ve DenseNet201 derin öğrenme modelleri kullanılmıştır. Etkili öznitelikleri seçmek için parçacık sürü optimizasyonu (PSO) algoritması kullanılmıştır. Belirlenen etkin özellikler, destek vektör makinesi (SVM) ile sınıflandırılmıştır. Performans kriteri olarak doğruluk ve AUC parametreleri kullanılmıştır. Sonuç olarak, doğruluk değeri 99.9% ve AUC değeri ise 1.00 olarak bulunmuştur. Veri seti ve önerilen model kodları verilen adreste herkese açık hale getirilmiştir: https://github.com/mfatiho/covid-detection-chest-xray

Göz takip algoritmalarında önemli bir yere sahip olan göz bebeği merkezinin yerini belirlemek için geçmişten günümüze birçok yöntem kullanılmıştır. Bu yöntemler genellikle şekil-özellik ve görünüm temellidir. Şekil-özellik tabanlı yöntemler, iris ve göz bebeğinin yerini belirlemek için morfolojik görüntü işleme tekniklerini, gözün değişmez geometrik özelliklerini ve kızılötesi ışığı kullanır. Bu yöntemler ışık, düşük çözünürlük gibi gerçek dünya koşullarından etkilenir. Buna karşılık, görünüm temelli yöntemler bu koşullara daha az duyarlıdır. Bu çalışmada, göz özelliklerini otomatik olarak öğrenen ve göz bebeği merkezi lokalizasyonu gerçekleştiren görünüm tabanlı yöntemlerden biri olan Mini U-Net ağı önerilmiştir. Önerilen ağ, göz bebeği merkezi yerelleştirmesi için halka açık GI4E veri seti kullanılarak değerlendirildi. Ağın test sonuçlarında maksimum normalize edilmiş hata kriterine göre ölçümler yapılmıştır. Buna göre göz bebeğinin merkezi %98,40 doğrulukla belirlendi. Önerilen ağ, en son teknolojik yöntemlerle karşılaştırılmış ve önerilen ağın performansı ortaya konmuştur., Many methods have been used from past to present to determine the location of the pupil center, which has an important place in eye tracking algorithms. These methods are usually shape-feature and appearance-based. Shape-feature-based methods use morphological image processing techniques, invariant geometric features of the eye, and infrared light to locate the iris and pupil. These methods are affected by real world conditions such as light, low resolution. In contrast, appearance-based methods are less sensitive to these conditions. In this study, Mini U-Net network, which is one of the appearance-based methods that automatically learns eye features and performs pupil center localization, is proposed. The proposed network was evaluated using the publicly available GI4E dataset for pupil center localization. In the test results of the network, measurements were made according to the maximum normalized error criterion. Accordingly, the center of the pupil was determined with an accuracy of 98.40%. The proposed network is compared with the latest technological methods and the performance of the proposed network is shown.

Speech emotion recognition is an area of active human-computer interaction that can recognize human emotions from speech signals in real time. The recognition task in this area is an example of a difficult classification due to the complexity of emotions. An effective classification process depends on high-level deep features and an appropriate deep learning model. There are many classification studies in the field of speech emotion recognition. In these studies, many different models and combinations of features have been proposed to accurately extract emotions from speech data. In this article, a system for speech emotion recognition task is proposed. In this system, a long-short-term memory-based deep learning model is proposed for speech emotion recognition. The proposed system consists of four stages: preprocessing, feature extraction, feature combination, long-short-term memory and classification. In the proposed system, the clipping and pre-emphasis pre-processes are applied to the speech data first. After these processes, Mel Frequency Kepstrum Coefficients, Zero Crossing Ratio and Root Mean Square Energy acoustic properties are extracted from the obtained speech data and combined. In addition to the spatial information of these combined features, their acoustic changes over time are learned with the proposed long-short-term memory and a deep neural network model associated with it. Finally, the information learned is classified into 8 different emotions by the softmax activation function. The proposed system has been tested on a dataset using RAVDESS and TESS datasets together. Accuracies of 99.87%, 85.14% and 88.92% were measured in training, validation and test results, respectively. The results were compared in terms of the accuracies in the recent studies and the success of the proposed system was revealed., Konuşma duygu tanıma, konuşma sinyallerinden insan duygularını gerçek zamanlı olarak tanıyabilen aktif bir insan-bilgisayar etkileşimi alanıdır. Bu alanda yapılan tanıma görevi, duyguların karmaşıklığı nedeniyle zorlu bir sınıflandırma örneğidir. Etkili bir sınıflandırma işleminin yapılabilmesi yüksek seviyeli derin özelliklere ve uygun bir derin öğrenme modeline bağlıdır. Konuşma duygu tanıma alanında yapılmış birçok sınıflandırma çalışması mevcuttur. Bu çalışmalarda konuşma verilerinden duyguların doğru bir şekilde çıkarılması için birçok farklı model ve özellik birleşimi önerilmiştir. Bu makalede konuşma duygu tanıma görevi için bir sistem önerilmektedir. Bu sistemde konuşma duygu tanıma için uzun-kısa süreli bellek tabanlı bir derin öğrenme modeli önerilmiştir. Önerilen sistem ön-işlem, özellik çıkarma, özellik birleşimi, uzun-kısa süreli bellek ve sınıflandırma olmak üzere dört aşamadan oluşmaktadır. Önerilen sistemde konuşma verilerine ilk olarak kırpma ve ön-vurgu ön-işlemleri uygulanır. Bu işlemlerden sonra elde edilen konuşma verilerinden Mel Frekans Kepstrum Katsayıları, Sıfır Geçiş Oranı ve Kök Ortalama Kare Enerji akustik özellikleri çıkarılarak birleştirilir. Birleştirilen bu özelliklerin uzamsal bilgilerinin yanında zaman içindeki akustik değişimleri sistemde önerilen uzun-kısa süreli bellek ve buna bağlı bir derin sinir ağı modeliyle öğrenilir. Son olarak softmax aktivasyon fonksiyonu ile öğrenilen bilgiler 8 farklı duyguya sınıflandırılır. Önerilen sistem RAVDESS ve TESS veri setlerinin birlikte kullanıldığı bir veri kümesinde test edilmiştir. Eğitim, doğrulama ve test sonuçlarında sırasıyla %99.87 , %85.14 , %88.92 oranlarında doğruluklar ölçülmüştür. Sonuçlar, son teknoloji çalışmalardaki doğruluklarla kıyaslanmış önerilen sistemin başarısı ortaya konmuştur.

In this study, a software trivium structure was created. Trivium is one of the structures created by connecting 3 LFSRs (Linear feedback shift registers) with various logic gates and used as a random number generator. Trivium structures can be created in hardware or software. There are various methods and algorithms proposed in the literature to determine the initial values (key, initial vector and LFSR initial contents) of software trivium structures. In this study, unlike the existing studies, the first conditions were created by using the Java SecureRandom library. Pseudo-random numbers generated using the software trivium structure created in the study were analyzed with NIST SP 800-22 Rev.1a tests. The binary sequences produced using the generated trivium structure passed the randomness tests successfully., Bu çalışmada yazılımsal trivium yapısı oluşturulmuştur. Trivium, 3 adet LFSR’nin (Doğrusal geri beslemeli kaydırmalı yazmaç) çeşitli mantık kapılarıyla birbirine bağlanmasıyla oluşturulan ve rasgele sayı üreteci olarak kullanılan yapılardan biridir. Trivium yapıları donanımsal veya yazılımsal oluşturulabilir. Yazılımsal trivium yapılarının ilk değerlerini (anahtar, başlangıç vektörü ve LFSR başlangıç içerikleri) belirlemek için literatürde önerilen çeşitli yöntem ve algoritmalar mevcuttur. Bu çalışmada mevcut çalışmalardan farklı olarak ilk şartlar Java SecureRandom kütüphanesi kullanlarak oluşturulmuştur. Çalışmada oluşturulan yazılımsal trivium yapısı kullanılarak üretilen sözde rasgele sayılar NIST SP 800-22 Rev.1a testleri ile analiz edilmiştir. Oluşturulan trivium yapısı kullanılarak üretilen ikili diziler rasgelelik testlerinden başarılı şekilde geçmiştir.

Hiperspektral uzaktan algılama görüntüleri (HUAG), yüzlerce spektral bant içeren ve iki uzamsal-bir spektral boyuta sahip 3B görüntü küpleridir. Sınıflandırma, HUAG’de en popüler konulardan biridir. Son yıllarda HUAG sınıflandırması için çok sayıda derin öğrenme yöntemi önerilmiştir. Özellikle Evrişimli Sinir Ağları (ESA), HUAG'lerin sınıflandırılmasında yaygın olarak kullanılmaktadır. ESA, daha yüksek kaliteli HUAG sınıflandırması için daha ayırt edici özellikler sağlayabilen güçlü bir özellik öğrenme yeteneğine sahiptir. Bu çalışma kapsamında 3B/2B ESA, Artık ağ mimarisi ve Derinlemesine ayrılabilir evrişimin birlikte kullanıldığı bir yöntem önerilmiştir. Daha derin ESA'larda, katman sayısı arttıkça daha yüksek sınıflandırma performansı elde etmek için artık ağ kullanılmaktadır. Ayrıca artık ağ sayesinde derin ağlarda oluşabilecek bozulma ve gradyanların yok olması gibi sorunların üstesinden gelinmektedir. Öte yandan, hesaplama maliyetini azaltan, aşırı öğrenmeyi önleyen ve daha fazla uzamsal özellik çıkarımı sağlayan Derinlemesine ayrılabilir evrişimler kullanılmıştır. Son olarak, 3B ESA ile HUAG’lerden uzamsal-spektral özellikler eş zamanlı olarak çıkarılmaktadır. Ancak sadece 3B ESA kullanımı hesaplama karmaşıklığını arttırmaktadır. Yalnızca 2B ESA kullanımı ile de HUAG’lerden sadece uzamsal özellikler çıkarılmaktadır. Spektral özellikler çıkarılamamaktadır. 3B ESA ile 2B ESA’nın birlikte kullanılmasıyla bu iki problem çözülmüştür. Ayrıca önerilen yöntemde optimum spektral bant çıkarımı için temel bileşen analizi bir ön işleme adımı olarak kullanılmıştır. Popüler iki HUAG kıyaslama veriseti olan Indian pines ve Salinas verisetleri kullanılarak uygulamalar gerçekleştirilmiştir. Uygulamalar sonucunda Indian pines ile %99.45 ve Salinas ile %99.95 genel doğruluk sonucu elde edilmiştir. Elde edilen sınıflandırma sonuçları, önerilen yöntemin sınıflandırma performansının mevcut yöntemlerden daha iyi olduğunu göstermektedir., Hyperspectral remote sensing images (HRSI) are 3D image cubes containing hundreds of spectral bands and having two spatial-one spectral dimensions. Classification is one of the most popular topics at HRSI. In recent years, many deep learning methods have been proposed for HRSI classification. Especially Convolutional Neural Networks (CNN) are commonly used in the classification of HRSIs. CNN has a strong feature learning capability, which can provide more distinctive features for higher quality HRSI classification. In this study, a method in which 3D/2D CNN, Residual network architecture (ResNet) and Depthwise separable convolution (DSC) are used together is proposed. In deeper CNNs, ResNet is used to achieve higher classification performance as the number of layers increases. In addition, thanks to ResNet, problems such as degradation and vanishing gradients that may occur in deep networks are overcome. On the other hand, DSCs have been used, which reduces the computational cost, prevents overfitting and provides more spatial feature extraction. Finally, spatial-spectral features are extracted simultaneously from HRSIs with 3D CNN. However, using only 3D CNN increases computational complexity. By using only 2D CNN, only spatial features are extracted from HRSIs. Spectral features cannot be extracted. By using 3D CNN and 2D CNN together, these two problems are solved. In addition, principal component analysis is used as a preprocessing step for optimum spectral band extraction in the proposed method. Applications were carried out using two popular HUAG benchmarking datasets, Indian pines and Salinas datasets. As a result of the applications, an overall accuracy of 99.45% with Indian pines and 99.95% with Salinas was obtained. The obtained classification results show that the classification performance of the proposed method is better than the existing methods.

Hyperspectral images (HSI) are contiguous band images commonly used in remote sensing. Deep learning (DL) is an effective method used in HSI classification. Convolutional neural networks (CNN) are one of the DL methods used in HSI classification. It provides automated approaches that can learn abstract features of HSIs from spectral-spatial fields. The high dimensionality of the HSIs increases the computational complexity. Therefore, most of the developed CNN models perform dimensionality reduction as a preprocessing step. Another problem in HSI classification is that spectral-spatial features must be considered in order to obtain accurate results. Because, HSI classification performance is highly dependent on spectral spatial information. In this study, a new 3D CNN model is proposed for HSI classification. The proposed method provides an effective method to simultaneously extract spectral-spatial features in HSIs. The network uses the 3D hyperspectral cube at the input. Principal component analysis is used to eliminate the dimensional redundancy in the hyperspectral cube. Then, using neighborhood extraction, spectral-spatial features are extracted effectively. The proposed method has been tested with 4 datasets. The application results were compared with 7 different DL-based methods and it was seen that our 4CF-Net method showed better classification performance.

Bu çalışmada, otomatik yüzey hata tespiti için InceptionV3 tabanlı Zenginleştirilmiş Öznitelik Entegrasyon Ağ (Inc-ZÖEA) mimarisi geliştirilmiştir. Önerilen mimaride, InceptionV3 ağ mimarisinin her seviyesindeki öznitelikleri aynı yükseklik ve genişliğe sahip öznitelikler çıkartılmış ve birleştirilmiştir. Birleştirme sonucunda farklı boyutlara sahip olan 5 öznitelik haritası elde edilmiştir. Bu öznitelik haritalarındaki önemli detayları ortaya çıkartmak için Kanal Bazlı Sıkma ve Uyarlama (KSU) bloğu uygulanmıştır. KSU bloğu, öznitelik haritasındaki kanalları inceleyerek önemli ayrıntıları güçlendirmektedir. Öznitelik Piramit Ağ (ÖPA) modülünde mekânsal detayları içeren düşük seviyeli öznitelik haritalarındaki bilgiler, anlamsal detayları içeren yüksek seviyeli öznitelik haritalarına aktarılmıştır. Daha sonra önerilen mimaride nihai öznitelik haritası için Öznitelik Entegrasyon ve Anlamlandırma (ÖEA) modülü kullanılarak ÖPA modülünün sonunda elde edilen 4 farklı öznitelik haritaları birleştirilmiştir. ÖEA modülünde birleştirilen öznitelik haritası Mekânsal ve Kanal Bazlı Sıkma ve Uyarlama (MKSU) bloğundan geçirilerek hata tespiti için önemli olabilecek mekânsal ve anlamsal bilgiler en iyi şekilde güçlendirilmiştir. Inc-ZÖEA mimarisinin son katmanında evrişim ve sigmoid katmanları kullanılarak hata tespit sonucu elde edilmiştir. Inc-ZÖEA mimarisinin piksel seviyesinde hata tespit başarısını ölçmek için MT, MVTec-Doku ve DAGM veri setleri kullanılmıştır. Deneysel çalışmalarda, MT, MVTec-Doku ve DAGM veri setlerinde sırası ile Inc-ZÖEA mimarisi %77,44 mIoU, %81,2 mIoU ve %79,46 mIoU başarım sonuçları ile literatürde yer alan son teknolojilere göre daha yüksek başarımlar sağlamıştır, In this study, InceptionV3 based Enriched Feature Integration Network (Inc-EFIN) architecture was developed for automatic detection of surface defects. In the proposed architecture, features of all levels of the InceptionV3 network architecture with the same height and width are extracted and combined. As a result of merging, 5 feature maps with different dimensions were obtained. Channel-Based Squeeze and Excitation (CSE) block has been applied to reveal important details in these feature maps. The CSE block strengthens important details by examining the channels in the feature map. In Feature Pyramid Network (FPN) module, information from low-level feature maps containing spatial details were transferred to high-level feature maps containing semantic details. Then, for the final feature map in the proposed architecture, 4 different feature maps obtained at the end of the FPN module were combined using the Feature Integration and Signification (FIS) module. The feature map combined in the FIS module was passed through the Spatial and Channel-based Squeeze and Excitation (SCSE) block, enhancing the spatial and semantic information that may be important for defect detection in the best way. Defect detection results were obtained by using convolution and sigmoid layers in the last layer of the Inc-EFIN architecture. MT, MVTec-Texture, and DAGM datasets were used to calculate the pixel-level defect detection success of the Inc-EFIN architecture. In experimental studies, Inc-EFIN architecture achieved higher performance than the latest technologies in the literature with 77.44% mIoU, 81.2% mIoU and 79.46% mIoU performance results in MT, MVTec-Texture and DAGM datasets, respectively.Keywords: Pixel-Level Surface Defects Detection, Convolutional Neural Network, Squeeze and Excitation Block, Feature Pyramid Networks

Günlük hayatımızda önemli sosyal iletişim aracı olan yüz ifadeleri, insanların ruhsal durumu hakkında önemli bilgiler vermektedir. Bu bilgiyi doğru bir şekilde elde etmek için araştırmalar yapılmaktadır. Bu araştırmaların insan-bilgisayar etkileşimi alanındaki önemi giderek artmaktadır. Nötr, mutluluk, şaşkınlık, üzüntü, öfke, iğrenme, korku gibi evrensel yüz ifadelerinin akıllı sistemler tarafından yüksek doğrulukla tanınması için birçok yöntem kullanılmıştır. Duygu tanıma, ortam ışığı, yaş, ırk, cinsiyet ve yüz pozisyonu gibi faktörler nedeniyle zorlu bir sınıflandırma örneğidir. Bu makalede, yüz görüntülerinden duygu tanıma için 3 aşamalı bir sistem önerilmiştir. İlk aşamada, tasarlanan CNN tabanlı ağ Fer+ veri seti ile eğitiliyor. İkinci aşamada, eğitilmiş olan CNN ağının tam bağlı katmanındaki özellik vektörüne özellik seçimi için İkili Parçacık Sürü Optimizasyon algoritması uygulanıyor. Seçilen özellikler Destek Vektör Makinesi tarafından sınıflandırılır. Önerilen sistemin performansı Fer+ veri seti ile test edilmiştir. Test sonucunda %85,74 doğruluk ölçülmüştür. Elde edilen sonuçlar İkili Parçacık Sürü Optimizasyon algoritması ve Destek Vektör Makinesi birleşiminin FER+ veri setinin sınıflandırma doğruluğuna ve hızına katkısını ortaya koymuştur., Facial expressions, which are important social communication tools in our daily life, provide important information about the mental state of people. Research is being done to obtain this information accurately. The importance of these researchs in the field of human-computer interaction is increasing. Many methods have been used for the recognition of universal facial expressions such as neutral, happiness, surprise, sadness, anger, disgust, and fear by intelligent systems with high accuracy. Emotion recognition is an example of difficult classification due to factors such as ambient light, age, race, gender, and facial position. In this article, a 3-stage system is proposed for emotion detection from facial images. In the first stage, the CNN-based network is trained with the Fer+ dataset. The Binary Particle Swarm Optimization algorithm is applied for feature selection to the feature vector in the fully connected layer of the CNN network trained in the second stage. Selected features are classified by Support Vector Machine. The performance of the proposed system has been tested with the Fer+ dataset. As a result of the test, 85.74% accuracy was measured. The results show that the combination of BPSO and SVM contributes to the classification accuracy and speed of the FER+ dataset.

Chaotic systems are widely used in encryption because of their sensitivity to initial conditions and parameters, high ergodicity, mixing properties, and highly complex structures. Various analyzes are available to understand whether a system is chaotic. The most used analyzes are time series analysis, phase portraits, Lyapunov exponents, and bifurcation diagrams. Modeling of chaotic systems is also possible with numerical analysis methods. These methods are; Houses, Heun, 4th and 5th degree Runge Kutta methods are the most common differential solution methods., Kaotik sistemler, başlangıç koşullarına ve parametrelere olan duyarlılıkları, yüksek ergodikliği, karıştırma özellikleri ve oldukça karmaşık yapıları nedeniyle şifrelemede yaygın olarak kullanılmaktadır. Bir sistemin kaotik olup olmadığını anlamak için çeşitli analizler mevcuttur. En çok kullanılan analizler zaman serisi analizi, faz portreleri, Lyapunov üsleri ve çatallanma diyagramlarıdır. Kaotik sistemlerin modellenmesi sayısal analiz yöntemleri ile de mümkündür. Bu yöntemler; Houses, Heun, 4. ve 5. derece Runge Kutta yöntemleri en yaygın diferansiyel çözüm yöntemleridir.

Many methods are used in the field of multi-object tracking today. Deep learning algorithms are among the most studied methods in this field. There are many parameters that need to be adapted in order to achieve high performance in deep learning based systems. One of the important parameters affecting performance in deep learning systems is the optimization algorithm used. In this study, Adam, RMSProp, Rprop, SGD optimization algorithms were compared for FairMOT algorithm. The MOT20 dataset was used when comparing the optimization algorithms. In the MOT20 validation dataset, overall highest accuracy value was obtained as 76.7% with the RMSprop optimization algorithm., Çoklu nesne takibi alanında günümüzde birçok yöntem kullanılmaktadır. Derin öğrenme algoritmaları bu alanda en çok çalışılan yöntemler arasında yer almaktadır. Derin öğrenme tabanlı sistemlerde yüksek performans elde edilebilmesi için uyarlanması gereken birçok parametre vardır. Derin öğrenme sistemlerinde performansı etkileyen önemli parametrelerden birisi de kullanılan optimizasyon algoritmasıdır. Bu çalışmada FairMOT algoritması için Adam, RMSProp, Rprop, SGD optimizasyon algoritmaları karşılaştırılmıştır. Optimizasyon algoritmaları karşılaştırılırken MOT20 veri seti kullanılmıştır. MOT20 doğrulama veri setinde ortalama en yüksek doğruluk değeri, RMSprop optimizasyon algoritması ile %76.7 olarak elde edilmiştir.

Hiperspektral görüntü sınıflandırma, uzaktan algılanan görüntülerin analizi için yaygın olarak kullanılmaktadır. Bir hiperspektral görüntü, uygulamalarda büyük potansiyele sahip olan yer nesnelerinin zengin spektral bilgilerini ve uzamsal bilgilerini içermektedir. Spektral uzamsal bilgi kullanımı hiperspektral görüntü sınıflandırmasının performansını önemli ölçüde arttırmaktadır. Hiperspektral görüntüler, 3B küpler biçiminde gösterilmektedir. Bu nedenle, 3B uzamsal filtreleme, bu tür görüntülerdeki spektral uzamsal özellikleri eşzamanlı olarak çıkarmak için doğal olarak basit ve etkili bir yöntem sunmaktadır. Bu çalışmada, hiperspektral görüntü sınıflandırması için bir 3B evrişimli sinir ağı (3B ESA) yöntemi önerilmiştir. Önerilen yöntem, derin spektral uzamsal birleştirilmiş özellikleri etkin bir şekilde çıkarmaktadır. Aynı zamanda herhangi bir ön işleme veya son işleme dayanmadan hiperspektral görüntü küpü verileri toplu olarak görüntülemektedir. Hiperspektral görüntü küpü önce küçük üst üste binen 3B parçalara bölünmektedir. Daha sonra bu parçalar, spektral bilgileri de koruyan birden çok bitişik bant üzerinde bir 3B çekirdek işlevi kullanarak 3B özellik haritaları oluşturmak için işlenmektedir. Önerilen yöntem indian pines, pavia üniversitesi ve botswana veri setleri ile test edilmiştir. Deneysel çalışmalar sonucunda, indian pines için %99,35, pavia üniversitesi için %99,90 ve botswana için ise %99,59 genel doğruluk sonuçları elde edilmiştir. Sonuçlar, 4 farklı derin öğrenme tabanlı yöntemle karşılaştırılmıştır. Deneysel sonuçlardan, önerilen 3B ESA yöntemimizin daha iyi performans gösterdiği görülmektedir., Hyperspectral image classification is commonly used for the analysis of remotely sensed images.A hyperspectral image contains rich spectral and spatial information of ground objects that has great potential in applications.The use of spectral spatial information significantly improves the performance of hyperspectral image classification.Hyperspectral images are shown as 3D cubes.Therefore, 3D spatial filtering offers an inherently simple and effective method to simultaneously extract spectral spatial features in such images.In this study, a 3D convolutional neural network (3D CNN) method is proposed for hyperspectral image classification.The proposed method effectively extracts deep spectral spatially combined features.At the same time, the hyperspectral image cube displays data in aggregate without relying on any pre-processing or post-processing. The hyperspectral image cube is first divided into small overlapping 3D patches.Then these patches are processed to create 3D feature maps using a 3D kernel function on multiple adjacent bands that also preserve spectral information.The proposed method was tested with Indian pines, Pavia university and Botswana datasets.As a result of the experimental studies, the overall accuracy results were obtained 99.35% for Indian pines, 99.90% for the University Pavia, and 99.59% for Botswana.The results were compared with 4 different deep learning-based methods.From the experimental results, it is seen that our proposed 3D CNN method performs better.

İnternet hizmetlerinin hayatımızın her aşamasına girdiği günümüzde, kullanılan sistemlerin güvenliği her geçen gün daha da önem kazanmaktadır. Bu anlamda, Saldırı tespit sistemleri (STS) çok önemli yere sahip bir çalışma alanıdır. STS’ler büyük, orta ve küçük ölçekli kuruluşların trafik verilerinin analizinde kullanılır. Bu sistemlerin performansı, hatalı pozitif sınıflandırmalarının az olması ve saldırı türünü doğru kategorize etmesine bağlı olarak değerlendirilir. Birçok farklı yöntem ile STS çalışmaları yapılmakla birlikte, makine öğrenmesi (MÖ) yöntemleri tatmin edici çözümler sunabilmektedir. Bu çalışmada en yaygın kullanılan MÖ tekniklerinden destek vektör makinaları (DVM), rasgele orman (RO), k-NN (k- en yakın komşu), aşırı öğrenme makineleri (AÖM) yöntemleri tanıtılmış ve kıyaslanmıştır. Bu sistemlerin performansını değerlendirmek için veri seti olarak STS’lerin değerlendirilmesinde bir ölçüt olarak kabul edilen NSL-KDD kullanılmıştır. Doğruluk ve F score parametreleri kullanılarak modellerin performansları hesaplanmıştır. En iyi performans AÖM yöntemi ile elde edilmiştir. Hesaplanan doğruluk değeri %99,8, F score değeri %99,9 olarak hesaplanmıştır.

Machinelearning approaches are used for fast and accurate diagnosis of plant diseases.Recently, deep learning approach has been used in plant species and diseaserecognition problems. In this study, a model based on Deep Convolutional Neural Networks (CNN)was proposed for the detection of apricot diseases. The developed model consistsof Convolution, Relu, Normalization, Pooling, and fully connected layers. For theproposed model, experimental studies were carried out using five differentfilter types as 3×3, 5×5, 7×7, 9×9 and 11×11 window size of the filters used inconvolution layers. In order to test the proposed study, a comprehensivedatabase was constructed using the images of apricot diseases obtained from thestudy areas of the Faculty of Agriculture of the Bingöl and İnönü Universities.The developed deep network model has been tested on this database. According tothe experimental results carried out, it was observed that the proposed deep a network model for the detection of apricot diseases had a higher classificationsuccess than other traditional image descriptors., Bitkihastalıklarının hızlı ve doğru teşhisi için makine öğrenmesine dayalıyaklaşımlar kullanılmaktadır. Son zamanlarda derin öğrenme yaklaşımı bitkitürleri ve hastalıkları tanıma ile ilgili problemlerde de kullanılmaktadır. Buçalışmada, kayısı hastalıklarının tespiti için Derin Evrişimsel Sinir Ağlarına(DESA) dayalı bir model önerilmiştir. Bu model, Evrişim, Relu, Normalizasyon,Havuzlama ve tam bağlı katmanlardan oluşmaktadır. Önerilen model için evrişimkatmanlarında kullanılan filtrelerin pencere boyutu 3×3, 5×5, 7×7, 9×9 ve 11×11olmak üzere beş farklı filtre çeşitleri kullanılarak deneysel çalışmalargerçekleştirilmiştir. Önerilen çalışmayı test etmek için Bingöl ve İnönüÜniversitelerinin Ziraat Fakültelerinin çalışma alanlarından elde edilen kayısıhastalıklarından oluşan görüntüler kaydedilip kapsamlı bir veri tabanı inşaedilmiştir. Geliştirilen derin ağ modeli bu veri tabanı üzerinde testedilmiştir. Gerçekleştirilen deneysel sonuçlara göre, kayısı hastalıklarınıntespiti için önerilen derin ağ modeli diğer geleneksel görüntütanımlayıcılarına göre daha yüksek sınıflandırma başarısı elde edildiği gözlemlenmiştir.

The brain cancer treatment process depends on the physician's experience and knowledge. For this reason, using an automated tumor detection system is extremely important to aid radiologists and physicians to detect brain tumors. The proposed method has three stages, which are preprocessing, the extreme learning machine local receptive fields (ELM-LRF) based tumor classification, and image processing based tumor region extraction. At first, nonlocal means and local smoothing methods were used to remove possible noises. In the second stage, cranial magnetic resonance (MR) images were classified as benign or malignant by using ELM-LRF. In the third stage, the tumors were segmented. The purpose of the study was using only cranial MR images, which have a mass, in order to save the physician's time. In the experimental studies the classification accuracy of cranial MR images is 97.18 %. Evaluated results showed that the proposed method's performance was better than the other recent studies in the literature. Experimental results also proved that the proposed method is effective and can be used in computer aided brain tumor detection.

Magnetic Resonance Imaging (MRI) is a useful technique for diagnosis of abnormalities that may occur in brain and other tissues. Detection of brain tumors in MRI is a difficult task for physicians. Because they must consider the textural, statistical, morphological and color features of the MR images at the same time to determine the tumors. In this paper, a robust brain MR images classifier based on hybrid features by using Ensemble Neural Network (ENN) is proposed. To increase the robustness of the classifier textural, statistical and color features were used as input to the ENN model. The main advantage of proposed method is reducing image dimension and using ensemble neural networks method to increase accuracy. This ensemble based method combines the base classifiers predictions to increase the proposed model performance and evaluated accuracy and AUC values are 98.70 %, 0.976, respectively. These results were compared with the other methods in literature., Magnetic Resonance Imaging (MRI) is a useful techniquefor diagnosis of abnormalities that may occur in brain and other tissues.Detection of brain tumors in MRI is a difficult task for physicians. Becausethey must consider the textural, statistical, morphological and color featuresof the MR images at the same time to determine the tumors. In this paper, arobust brain MR images classifier based on hybrid features by using EnsembleNeural Network (ENN) is proposed. To increase the robustness of the classifiertextural, statistical and color features were used as input to the ENN model.The main advantage of proposed method is reducing image dimension and usingensemble neural networks method to increase accuracy. This ensemble basedmethod combines the base classifiers predictions to increase the proposed modelperformance and evaluated accuracy and AUC values are 98.70 %, 0.976,respectively. These results were compared with the other methods in literature.

Bu çalışmada, güç sistemlerinin emniyet kontrolü için bilgisayar tabanh bir kontrol modeli oluşturulmuştur. Modellemede, dinamik olması ve grafiksel özelliği dolayısıyla Petri ağları tercih rctilnıiştir. Gerçekleştirilen model sayesinde sistem kontrolü daha etkili bir şekilde gl'r�·ckleştirilebilmektedir. Herhangi bir hata durun nı nda yerlerin sahip olduğu jetonların ':ı� e\ inde oluşan hatanın tespiti daha kısa zamanda lwlirlen mcktedir. Gerçekleştirilen model, petri ağının ö7rlliğindcn dolayı sistem yapısında meydana gelecek dcti�i nı l ere d iğer ak ılı sistem yöntemleri ile elde rrlilrn nı o de lle r e oranla . daha kolay uyarlan ahilmektedir. Gerçekleştirilen modelin lıl'ııtcfinıi \1isual object petri ağı benzetim programı ilc !,!erçekleştirilmiş ve modelin sorunsuz bir şekilde c�hştığı görülmüştür. Gerekli donanımlar kullaıııhllğında gerçek zamanlı uygulamalar için ıı,, guıı h ir nıodel olacaktır.

ÖZETDOKTORA TEZİYAPAY SİNİR AĞI TABANLI AKILLI YÖNTEMLERLE KARMAŞIK SİSTEMLERİNMODELLENMESİDavut HANBAYFırat Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı2007, Sayfa: 100Karmaşık sistemlerin modellenmesi, bilim adamları tarafından uzun yıllardır çalışılmaktadır.Bu çalışmaların çoğunda matematiksel bağıntılar kullanılmıştır. Sistem parametre sayısı arttığındayada çevresel şartlar göz önünde bulundurulduğunda, sistemlerin modellenmesi zorlaşmakta hattaimkânsızlaşmaktadır. Akıllı yöntemlerin çeşitli bilim alanları için önerdikleri çözümler ve gelişimler,sistem modellemecilerin de ilgisini çekmiştir.Akıllı modelleme çalışmaları, doğrusal olmayan sistemlerin modellemesinde büyükkolaylıklar getirmiştir. Fakat sistem giriş ve çıkış bileşenleri arasındaki karmaşıklık düzeyi artıkçaakıllı modelleme yapılarında da bazı sorunlar oluşmaktadır. Örneğin, eğitim süreleri, örnek sayılarınınartması, ezberleme, modelin gecikmiş giriş sayısının çoğalması v.b. sorunlar ortaya çıkmıştır. Bu tezçalışmasında geliştirilen akıllı modelleme yapıları ile bu sorunlara çözüm getirilmekle birlikte,karmaşık sistemlerin yapay zekâ teknikleri ile modellenmesine yeni bir yaklaşım sunulmuştur.Getirilen bu yaklaşımla, karmaşık sistemleri modelleme sürecinin temeli, karmaşık sistemin doğrusalbileşenleri elde edilerek yapay zekâ teknikleri ile modelleme üzerine dayanmaktadır.Karmaşık sistemleri modellemeye yönelik geliştirilen akıllı yapılar iki önemli bileşenesahiptirler. Bunlardan birincisi, karmaşık sistemi temsil eden doğrusal anahtar model özelliklerin eldeedilmesi, ikincisi ise yapay zeka teknikleri ile bu model özelliklerinin öğrenilmesidir. Böylece, klasikkarmaşık sistem modelleme çalışmalarından farklı olarak modelleme sürecine sistem analizi ile eldeedilen model özellik çıkarım yapısı eklenmiştir. Bu tezde ele alınan karmaşık sistemlerin modelözelliklerinin çıkarımı için entropi hesaplama teknikleri ve dalgacık dönüşümü analiz yöntemlerikullanılmıştır. Yapay zekâ teknikleri olarak ise uyarlamalı bulanık sinir ağ, yapay sinir ağları vebulanık mantık tercih edilmiştir. Ayrıca geliştirilen bir diğer karmaşık sistem modelleme tekniğindeise yapay zeka tekniğinin başarımına bağlı olarak model özelliklerinin çıkarımı uyarlamalı yapılmıştır.Böylece doğrusal model özellik çıkarma süreci ile yapay zeka süreci tümleşik hale getirilmiştir.Anahtar Kelimeler: Karmaşık Sistem, Akıllı Modelleme, Doğrusallaştırma, Özellik Çıkarma, YapayZeka Teknikleri. ABSTRACTPhD ThesisCOMPLEX SYSTEM MODELING BY USING ARTIFICIAL NEURAL NETWORK BASEDINTELLIGENT METHODSDavut HANBAYFirat UniversityGraduate School of Natural and Applied Sciences, Department of Electrical - Electronics Engineering2007, Pages: 100Modeling complex systems are being studied by scientists for a long time. In most of themmathematical relationships are used. Modeling complex systems are become harder or sometimesimpossible when the numbers of input parameters are increased or environmental conditions areconsidered. The offered solutions in various science fields by intelligent methods take care of systemsannalists. Nonlinear system modeling is made easy by intelligent system modeling studies. But someproblems such as training time, increased sample data, memorization, necessitates to use delayed inputand output arise with intelligent methods when system input parameters or the level of complexity ofthe relationships between input-output pairs are increased. In this thesis, some solutions are suggestedfor these problems with developed intelligent modeling structures and offered a new modelingapproach based on artificial intelligence. The offered modeling approach is based on getting linearparts of complex system and modeling with artificial intelligence techniques.The developed intelligent structures for complex system modeling are consisting of twoimportant parts. The first of them is obtaining linear key model features which can represent thecomplex systems. The second is learning of these model features by artificial intelligence techniques.So contrary to traditional complex system modeling studies, model feature extracting process is addedto modeling stages. In this thesis, the studied complex systems are analyzed by using wavelettransform and entropy methods. Adaptive network based fuzzy inference systems, fuzzy logic andartificial neural networks are used as artificial intelligence techniques. In another developed modelingstructure, model feature extracting process is adapted related to the performance of artificialintelligence techniques. Thus model feature extracting process and artificial intelligence stage areintegrated.Keywords: Complex Systems, Intelligent Modeling, Feature Extracting, ArtificialIntelligence Techniques.I 111

Bu çalışmada, su arıtma sistemininzamanlanmış petri ağı ile modellemesi yapılmıştır. Su arıtma sitemleri mikrodenetleyicilerile otomatik olarak kontrol edilebilmektedir. Gerçekleştirilen kontrolsistemlerinin uygun olup olmadığını belirlemek amacı ile benzetim yöntemlerikullanılır. Böylece gerçekleştirme aşamasına geçilmeden önce, sistemin hatalarıbelirlenir ve çözüm üretilir. Petri ağı benzetim amacı ile kullanılan ve fazla matematikselbilgi gerektirmeyen grafiksel bir yöntemdir. Su arıtma sistemine ait özelikler zamana bağlıolarak belirlenip petri ağı ile modellenmiştir. Yapılan modellemenin sorunsuzbir şekilde çalıştığı görülmüştür.

ÖZET Yüksek Lisans Tezi İKİNCİ DERECEDEN SİGMA-DELTA MODÜLATÖRÜNÜN PRATİK OLARAK GERÇEKLEŞTİRİLMESİ VE İNCELENMESİ Davut HANBAY Fırat Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Ana Bilim Dalı 2003, Sayfa: 49 Analog sinyaller genellikle klasik metotlarla sayısala çevrilmektedir. Ancak son yıllarda entegre devre teknolojisi (VLSI) ve sayısal haberleşme alanındaki gelişmeler yüksek doğruluklu çevirici olarak sigma delta modülatörlerin (SDM) yapılmasını gerekli hale getirdi. Bu tez çalışmasında birinci ve ikinci derece analog ve ayrık zamanlı SDM devreleri pratik olarak dizayn edildi. Analog ve ayrık zamanlı dizaynda karşılaşılan problemler tartışıldı. İdeal olmayan devre elemanlarının etkisi incelendi. Pratik sınırlamalar belirtildi sonuçta dizayn edilen devre şekilleri gösterildi. Anahtar Kelimeler: Aşırı örnekleme, Gürültü şekillendirme, sürekli ve ayrık zamanlı sigma delta modulator. VII ABSTRACT M. Sc. Thesis ANALYSIS AND PRACTICIAL REALISATION OF SECOND ORDER SIGMA DELTA MODULATOR Firat University Graduate School of Natural and Applied Sciences Department of Electricial-Electronics Engineering 2003, Page: 49 Analog signals are usually converted in digital format by means of conventional methods. However, in recent years, the improvements in Very Large Scale Integrated (VLSI) and digital communication are made necessary to design Sigma Delta Modulator (SDM) for high resolution converters. In this thesis, first and second order analog and digital SDM have been practically designed. Practical problems of both analog and digital designs have been discussed. The effects of the non-ideal component have been examined. The practical limitations have also been indicated. Finally, the designed circuits have been explicitly illustrated. Keywords: Over sampling, noise shaping, analog and discrete time SDM. rsfl VIII 49

Son zamanlarda, bilgisayar teknolojisindeki gelişmeler ile birlikte görüntü işleme tabanlı örüntü tanıma ve sınıflandırma konularına olan ilgi artmıştır. Bu bağlamda, görüntü işleme teknolojisi; tıp, tarım, coğrafi bilimler, güvenlik sistemleri, uzay bilimleri, endüstriyel üretimler ve savunma sanayisi gibi daha birçok alanda yenilikler ve kolaylıklar sağlamıştır. Bu tez çalışmasında; bitki türlerinin tanınması, yeni türlerin tespit edilmesi, zararlı bitkilerin belirlenmesi ve bitki hastalıklarının erken tespiti gibi konular esas olmak üzere tarımsal problemlerin çözümü için yapay zekâ ve görüntü işleme tabanlı sistemler geliştirilmesine odaklanılmıştır. Bu amaç doğrultusunda, bitki türlerinin tanınması ve hastalıkların tespiti için var olan yöntemler geliştirilmiş ve yeni yöntemler önerilmiştir. Bu geliştirilen ve önerilen yöntemler aşağıda belirtilmiştir: • Bitki yaprağının geometrik şekline dayalı Kenar Adım (KA) yöntemi, • Yaprak tabanlı bitki türlerinin sınıflandırılması için bölme yaklaşımı kullanılarak şekil, renk ve doku tabanlı hibrit bir sistem, • Doku özellikleri çıkarmak için kullanılan YİÖ yönteminin geliştirilmiş versiyonu olarak BOG-YİÖ yöntemi, • Bitki yaprak türlerinin tanınması için derin-dokusal tabanlı özellik çıkarıcı bir model, • Bitki türlerinin tanınması ve sınıflandırılması için Çok-Bölmeli Derin Evrişimsel Sinir Ağı (ÇB-DESA) modeli, • Gerçek zamanlı görüntüler kullanılarak önceden eğitilmiş derin sinir ağları ile geleneksel sınıflandırıcılarına dayalı yeni bir sınıflandırma mimarisi, • Kayısı hastalıklarının tespiti için Derin Sinir Ağlarına (DSA) dayalı farklı evrişim filtrelerini içeren derin bir model, • Derin Öğrenme Tabanlı Bitki Hastalıkları ve Zararlıları Tespit Sistemi (Çoklu-ESA PlantDiseaseNet) Önerilen bu yöntemlerin başarımını değerlendirmek amacıyla literatürde var olan veri setleri kullanılmıştır. Bunun yanı sıra, gerçek zamanlı olarak elde edilmiş 15 farklı bitki hastalık görüntülerinden oluşan yeni bir veri seti inşa edilmiş ve bu veri seti kullanılarak deneysel çalışmalar yapılmıştır. Yapılan kapsamlı deneysel çalışmalardan elde edilen sonuçlara göre, bitki türlerinin ve hastalıklarının sınıflandırılmasında geliştirilen ve önerilen yöntemler yüksek başarı sağlamıştır. Bu yöntemler, gelecekte tarımsal problemlerin çözümü ile ilgili yapılacak olan otomatik tanı ve tespit sistemlerine temel oluşturacaktır. Bu tez çalışmasında, doğal ortamdan elde edilen bitki hastalık görüntüleri kullanılarak gerçek zamanlı otomatik Bitki Hastalık Tespit Yazılımı geliştirilmiştir. Bu sistem, MATLAB GUI platformu kullanılarak tasarlanmış ve masaüstü uygulaması olarak herkes tarafından kolaylıkla kullanılabilme imkânı sağlanmıştır. Bu yazılım, uzman kişilere destek olacak, kolay ve kısa sürede bitki hastalıklarının erken tespit edilmesine olanak sağlayacak, yeni enfeksiyonların oluşması ve hastalıkların neden olduğu verim kaybını önleyecektir.ANAHTAR KELİMELER: Bitki Tanıma, Bitki Hastalık Tespiti, Özellik Çıkarımı, Derin Öğrenme, Yapay Zeka, Sınıflandırma. Recently, interest in image processing-based pattern recognition and classification has increased with advances in computer technology. In this context, image processing technology; has provided innovations and conveniences in many areas such as medicine, agriculture, geographic sciences, security systems, aerospace, industrial production, and defense industry. In this thesis; The aim of study is to focus on the development of artificial intelligence and image processing based systems for the solution of agricultural problems, mainly on the recognition of plant species, the identifying of new species, the identification of harmful plants and the early detection of plant diseases. For this purpose, existing methods for the identification of plant species and diseases have been developed and new methods have been proposed. These developed and proposed methods are as follows: • Edge Step (ES) method based on the geometric shape of the plant leaf, • A shape, color and texture-based hybrid system using a divided approach to classify leaf-based plant species, • The ROM-LBP method as an improved version of the LBP method used to extract tissue properties. • A deep-textural-based feature extractor model for the recognition of plant leaf species. • Multi-Division Deep Convolutional Neural Network (MD-DCNN) model for identification and classification of plant species, • A new classification architecture based on traditional classifiers with pre-trained deep neural networks using real-time images, • A deep model including different convolution filters based on Deep Neural Networks (DNNs) for the detection of apricot diseases, • Deep Learning Based Plant Diseases and Pests Detection System (Multi-CNN PlantDiseaseNet) In order to evaluate the performance of these proposed methods, existing datasets in the literature were used. In addition, a new dataset consisting of 15 different plant disease images obtained in real-time was constructed and experimental studies were conducted using this dataset. According to the results obtained from the comprehensive experimental studies, the methods developed and proposed for the classification of plant species and diseases have achieved high success. These methods will form the basis for automatic diagnosis and detection system which will be held regarding the solution of agricultural problems in the future. In this thesis, real-time automated Plant Disease Detection Software has been developed by using plant disease images obtained from the natural environment. This system has been designed by using MATLAB GUI platform and it can be easily used by everyone as a desktop application. This software; will support experts, will allow easy and early detection of plant diseases in a short time, will prevent the formation of new infections and loss of efficiency that caused diseases.KEYWORDS: Plant recognition, plant disease detection, feature extraction, deep learning, artificial intelligence, classification. 198

Beyin tümörlerinden kaynaklanan ölümlerin sayısı her geçen gün artmaktadır. Beyin tümörleri çok hızlı büyürler. Erken teşhis kanser tanısında, tedavi planlamasında ve tedavi sonucunun değerlendirilmesinde hayati öneme sahiptir. Eğer beyin tümörü olan bir hasta doğru ve erken tedavi görmemişse, hastanın hayatta kalma şansı düşebilir ve ölümle sonuçlanabilir. Beyin tümörlerinin tanı ve teşhisinde tıbbi görüntüleme önemli bir role sahiptir. Manyetik Rezonans Görüntüleme (MRG), en popüler medikal görüntüleme yöntemlerinden biridir. MRG'den tümörlerin varlığını ve tümör özelliklerini belirlemek uzmanlar tarafından yapılmaktadır. Beyin tümörlerinin niteliğinin belirlenmesi doktorun deneyimine ve bilgisine bağlıdır. Dünya Sağlık Örgütü (DSÖ)'nün raporları beyin tümöründen etkilenen kişilerin sayısının dünya genelinde her yıl önemli ölçüde arttığını göstermektedir. Tümörler farklı şekil ve büyüklüğe sahiptir ve beyin bölgesinde farklı alanlarda bulunabilirler. Bu durum uzmanların tümörü tespit edebilme sürecini daha karmaşık hale getirmektedir. Uzmanlar tarafından beyin tümörünün tespit edilmesi zaman alıcı ve hataya açık bir süreçtir. Uzmanın deneyimi tespit sürecinin başarımını etkilemektedir. Beyin tümörünün manuel tespiti, hasta sayısının fazla olduğu durumlarda kullanışlı bir yöntem değildir. Bu nedenle, beyin tümörlerinin otomatik olarak tespit edilmesine ihtiyaç duyulmaktadır. Hekimlerin teşhis yeteneklerini arttırmak ve doğru teşhis için uzmanlar tarafından harcanan süreleri azaltmak, Bilgisayar Destekli Otomatik Tespit Sistemleri (BDOTS) ile mümkün olabilmektedir. Bu tez çalışmasında beyin MR görüntülerinden otomatik tümör tespiti yapan ve tümörleri derecelerine ve türlerine göre sınıflandırabilen beş farklı BDOTS tasarlanmıştır. 6 farklı veri tabanı kullanılarak tasarlanan BDOTS'ların performansı değerlendirilmiştir. Tasarlanan BDOTS'lardan iki tanesi ön işlem, morfolojik işlemler, kenar tespiti ve beyin tümörlerinin dokusal, istatistiksel, morfolojik ve renk özniteliklerinin çıkarımı ve sınıflandırma işlemlerini kapsamaktadır. Diğer üç sistem ise Evrişimsel Sinir Ağları (ESA), Bölgesel Evrişimsel Sinir Ağları (BESA), AlexNet, VGG16, Yerel Alıcı Alanlar- Aşırı Öğrenme Makinesi gibi derin öğrenme mimarileri temellidir. Her bir BDOTS'un sağladığı üstünlükler ve eksiklikler tez içerisinde detaylı bir şekilde irdelenmiştir. Yapılan çalışmaların sonucunda beyin tümörlerinin tespitinin ve sınıflandırılmasının başarılı bir şekilde gerçekleştiği görülmüştür. The number of deaths stemming from brain tumors is increasing every day. Brain tumors grow quite fast. Early diagnosis has a vital role in diagnosis of cancer, treatment planning and evaluation of treatment. If a patient with brain tumor has not received accurate and early treatment, the chance of survival decreases and this may cause death. Medical imaging plays a crucial role in detection and diagnosis of brain tumors. Magnetic Resonance Imaging (MRI) is one of the most popular medical imaging methods. Detection of tumors and description of tumor features are done by experts through MRI. Defining the quality of brain tumors depends on doctors' experience and knowledge. World Health Organization (WHO) reports show that the number of people suffering from brain tumors is increasing significantly every year. Tumors have different shape and size and may exist in different parts of the brain. This creates a challenge for experts to detect the tumor. Detection of tumors by experts is a long and sensitive process. Experts' experience affects the success of tumor detection process. Manual detection of tumors is not an effective method in cases where the number of patients is redundant. Therefore, there is a need for detection of tumors automatically. Improving diagnosis skills of doctors and diminishing the time spent by experts for accurate diagnosis is possible through Computer Assisted Automatic Detection Systems (CAADS). In this dissertation study, 5 different CAADS, which can automatically identify tumors and classify them according to tumor levels and tumor types through brain MR images, have been designed. The performance of CAADS, which were designed using 6 different databases, has been evaluated. Two of the CAADS covers the pretreatment, morphological operations, side detection and definition of the textural, statistical, morphological and color qualities of brain tumors and their classification. Other three systems, on the other hand, are based on deep learning architectures such as Convolutionary Nerve Networks (CNN), Local Convolutionary Nerve Networks (LCNN), AlexNet, VGG16, Local Reciever Areas and Excessive Learning Machine. Advantages and challenges of each CAADS have been thoroughly examined in this study. As a result of studies, it is seen that systems successfully identify and classify brain tumors. 126

Kesme ve paketleme problemi, bir yüzeyin veya nesnenin içine çok sayıda düzenli veya düzensiz şeklin örtüşme olmadan düzenli bir şekilde yerleştirilmesidir. Birleştirici optimizasyon yöntemleri içinde yer alan bu problem, matematiksel modelle çözümün zor olduğu, NP-Complete problemi olarak bilinmektedir. Bu problemin amacı, elde bulunan malzemeyi verimli bir şekilde kullanarak elde edilecek atık miktarının en aza indirilmesidir.Bu tezde, çok çeşitli endüstriyel ve imalat sektöründe yaygın olarak görülen problemlerden biri olan iki boyutlu kesme ve paketleme problemi incelenmiş ve çeşitli uygulamalar geliştirilmiştir. Bu kapsamda, kesme ve paketleme problemi için, alt-sol, uygun olmayan çokgen, alt-sol dolgu gibi sezgisel yöntemler ve benzetimli tavlama (BT) ve tabu arama (TA) gibi metasezgisel yöntemler kullanılarak çözüm yaklaşımları geliştirilmiştir. Deneysel çalışmalarda, yerleştirme işlemleri için alt-sol ve alt-sol dolgu yöntemleri, yerleştirilen parçalar arasında çakışma olmaması için uygun olmayan çokgen yöntemi ve daha hızlı ve verimli paketleme işlemleri için de metasezgisel yöntemlerden BT ve TA algoritmaları kullanılmaktadır.Sezgisel yöntemlerle gerçekleştirilen deneyler sonucunda, fire oranının %11,2 ile %15,26 arasında değiştiği görülmektedir. Metasezgisel yöntemler kullanılarak gerçekleştirilen deneyler sonucunda ise, elde edilen fire oranları %2 ile %7,2 arasında değişkenlik göstermektedir ve bu fire oranları ise, çoğu endüstriler için oldukça iyi bir orandır. Deneysel sonuçlar, metasezgisel yöntemlerle yapılan paketleme işlemlerinin daha verimli olduğunu göstermektedir.ANAHTAR KELİMELER: Kesme Stok Problemi, Paketleme Problemi, Uygun Olmayan Çokgenler, Alt-Sol Yerleştirme Teoremi, Optimizasyon, Minimum Fire Cutting and packing problem is the placement of a large number of regular or irregular shapes into a surface or object without overlapping regularly. This problem, which takes part in combining optimization methods, is known as NP-Complete problem, which is difficult to solve with mathematical model. The purpose of this problem is to minimize the amount of waste that will be produced by using the available material efficiently.In this thesis, two dimensional cutting and packing problem which is one of the problems which is widely seen in various industrial and manufacturing sectors has been investigated and various applications have been developed. In this manner, solution approaches have been developed for cutting and packing problem using heuristic methods such as bottom-left, no-fit polygon and bottom-left fill and metaheuristic methods such as Simulated Annealing (SA) and Tabu Search (TA). In experimental studies, bottom-left and bottom-left fill methods are used for placement process, no-fit polygon method is used for no overlap between placed parts and metaheuristic methods such as SA and TA algorithms are used for faster and efficient packing process.As a result of experiments conducted with heuristic methods, it seen that, the waste rate varies between 11.2% and 15.26%. As a result of experiments carried out with metaheuristic methods, the waste rate varies between 2% and 7.2%, and these waste rate is pretty good for most industries. Experimental results show that the packing process using metaheuristics methods is more efficient.KEYWORDS: Cutting Stock Problem, Packing Problem, No-Fit Polygon, Bottom-Left Placement Theorem, Optimization, Minimum Waste 99

EMG sinyali kasların kasılmasın sonucunda oluşan elektriksel aktivasyonun ölçülmesi işlemidir. Bu nedenle kaslardan alınan EMG sinyalleri kaslar hakkında bilgi sağlamaktadır. Bu bilgiler günümüzde kas hastalıkları teşhisinde, protez kol ve, hareket tespiti çalışmalarında kullanılmaktadır. Bu tezde EMG sinyallerinden Yapay Sinir Ağları kullanılarak hareket tespiti amaçlanmıştır. Öncelikle alınan EMG sinyallerine Kısa Zamanlı Fourier Dönüşümü (KZFD) uygulanarak sinyallere ait zaman-frekans gösterimleri elde edilmiştir. Elde edilen zaman-frekans temsilinden İstatiksel metotlar, Gri Seviye Eş-Oluşum Matrisi (GSEM) ve Yerel İkili Örüntüler (YİÖ) metotları ile EMG sinyaline ait öznitelikler çıkarılmıştır. Çıkarılan bu öznitelikler Yapay Sinir Ağlarına (YSA) giriş verisi olarak verilerek EMG sinyalleri sınıflandırılmıştır.Deneysel sonuçlar incelendiği zaman tasarlanan sistemin kullanılan EMG verisi üzerinde başarılı sonuç aldığı gözlemlenmiştir.ANAHTAR KELİMELER: EMG Sinyal İşleme, Kısa Zamanlı Fourier Dönüşümü, Gri Seviye Eş-Oluşum Matrisi, Yerel İkili Örüntüler, Yapay Sinir Ağları The EMG signal is the process of measuring the electrical activation that occurs as a result of muscular contraction. For this reason, EMG signals from the muscles provide information about the muscles. This information is currently used in the diagnosis of muscular diseases, prosthetic arm and motion detection studies.In this thesis, motion detection is aimed by EMG signals using Artificial Neural Networks.Primarily, time-frequency representations of signals are obtained by applying Short Time Fourier Transform (STFT) to the received EMG signals. From the obtained time-frequency properties, the attributes of the EMG signal were extracted with the statistical methods, Gray-Level Co-Occurrence Matrix (GLCM) and Local Binary Pattern (LBP) methods. These extracted attributes are given as input data to Artificial Neural Network (ANN) and the system performance is calculated.When the experimental results were examined, it was observed that the designed systsem had a successful result on the used EMG data.KEYWORDS: EMG Signal Processing, Short Time Fourier Transform, Gray Level Co-Occurrence Matrix, Local Binary Patterns, Artificial Neural Networks 67