Search

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

Meme kanseri, akciğer kanserinden sonra kadınlarda kanser ölümlerinin en önemli ikinci sebebidir. Meme kanserinin erken bulgularının tespit edilmesi için uzmanlar tarafından genellikle mamogramlar kullanır. Bu sadece tedavi maliyetini değil aynı zamanda hastaların ölüm oranlarını da düşürmektedir. Bununla birlikte, mamogramların yorumlanması genellikle özneldir ve daha düşük duyarlılık ve özgüllük değerleri ile zordur.Bu tezde, göğüs kitlelerinin otomatik tespiti, sınıflandırılması ve erişimi için entegre bir sistem sunulmuştur. Sistemin amacı görüntüleri iyi huylu, kötü huylu veya normal olarak tahmin edebilmenin yanında ilgili geçmiş vakalara erişim sağlayarak ve görüntüleyerek karar verme sürecine yardımcı olmaktır. Bu kapsamda 3 farklı sistem önerilmiştir. Önerilen ilk sistemde, kitlenin geometrik özellikleri ve önerilen ghsthog, ghstcohog, ghsthogcohg öznitelikleri meme kitlesini ifade etmek için kullanılmıştır. Önerilen ikinci sistemde öznitelik çıkarımı için kitleye ait dokusal, geometrik, alt örnekleme olmayan çevritsel dönüşüm ve önerilen Eig(Hess)-HOG yöntemi kullanılmıştır. Her yöntemin avantajları ve dezavantajları geleneksel yöntemlerle ayrıntılı olarak tartışılmıştır. Son olarak, sınıflandırma ve erişim, destek vektör makinesi ve aşırı öğrenme makinası kullanılarak gerçekleştirilmiştir. Ayrıca, derin öznitelik tabanlı bir sistem geliştirilmiştir. Bu sistemde, hekimlerin kitle hakkındaki kararları, üst düzey derin öznitelikler ile ifade edilmiştir. Sonrasında, yukarıdaki özniteliklere dayalı iki aşırı öğrenme makinası sınıflandırıcısı test görüntülerinin türünü tahmin etmek için kullanılmıştır. Farklı özniteliklere dayalı sınıflandırıcıların sonuçları, test görüntülerinin türünü belirlemek için analiz edilmiştir. Görüntü erişimi ve sınıflandırma performansları, hem kesinlik-duyarlılık hem de sınıflandırma doğrulukları kullanarak iki farklı veri setinde değerlendirilip karşılaştırılmıştır. Deneysel sonuçlar, önerilen sistemin etkililiğini ve gerçek zamanlı klinik uygulamalardaki kullanılabilirliğini göstermektedir. Breast cancer is the second leading cause of cancer deaths among women after lung cancer. Physicians generally use mammograms to look for early signs of breast cancer that could reduce not only treatment cost but also patients' mortality rate. However, interpreting mammograms is often subjective and difficult due to lower sensitivity and specificity. In this thesis, we have presented an integrated system for automated detection, classification, and retrieval of breast masses. The goal of system is to assist decision-making process by retrieving and displaying the related past cases along with predicting the images as benign, malignant or normal. In this manner, we have proposed 3 different frameworks. In our first framework, geometric features of mass and our proposed ghsthog, ghstcohog, ghsthogcohg features are used to express the breast mass. In the second framework, geometric, textural features of mass, nonsubsampled contourlet transform and our proposed eig(Hess)-HOG are used for feature extraction. The advantages and shortcomings of each method are discussed with conventional methods in detail. Finally, classification and retrieval are performed based on using support vector machines and extreme learning machines. Furthermore, a deep feature based framework is developed. In this framework, physicians' decisions on mass were expressed by high-level deep features. Then, two extreme learning machine classifiers based on the features above is employed to predict category of test images. And outputs of classifiers based on each feature were examined together to define the kind of test image. The image retrieval and classification performances are evaluated and compared in two different datasets by using both the precision-recall and classification accuracies. Experimental outcomes indicate the effeciency of the proposed system and the viability of a real-time clinical application. 105

Beyinde meydana gelen elektriksel aktivitelerin ölçülmesinde ve analiz edilmesinde sırasıyla Elektroansefalografi (EEG), Pozitron Emisyon Tomografisi (PET), Tek Foton Emisyonlu Bilgisayarlı Tomografi (TFEBT), Magnetoensefalografi (MEG) ve fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) teknikleri kullanılmaktadır. Ancak maliyet, boyut ve vücuda zarar verme riski açısından en güvenilir beyin sinyali ölçme ve analiz tekniği EEG olarak kabul edilmiştir. EEG sinyalleri beyin aktivitesinin analiz edilmesinde kullanılan en temel yöntemlerden biridir. EEG beyinde meydana gelen elektriksel aktiviteyi değerlendirmek için bir test aracı olarak kullanılmaktadır. 1929'da Hans Berger tarafından ilk kez insan EEG'sinin tanıtılmasıyla beyin aktivitelerinin ölçümü yapılmıştır. Yüzyıla yakın bir süredir EEG tanı aracı olarak kullanılmaktadır. EEG Beyin-Bilgisayar Arayüzü (BBA) denilen sistemlerde de kullanılmıştır. Nörologlar, bir hastanın beyin dalgası aktivitesindeki şekillere tanı koyarak epilepsi, nöbet veya diğer nörolojik rahatsızlıklara neden olan anormalliklerin bulunmasını sağlamışlardır. BBA'nın gelişmesiyle kısmi engelliler ve kas sisteminde sağlık problemlerine maruz kalan bireylerin yaşam kaliteleri artırılmıştır. Bu bireylerin özellikle de hareket kabiliyetlerini yitirmiş felçli hastaların hayata tutunma olanakları artırılmış ve onlara yardımcı olacak sistemler geliştirilmiştir. Günümüzde birçok bilim insanı bu konu üzerinde çalışmaktadır. EEG tabanlı BBA'ya ait birçok yöntem literatürde mevcuttur. Bu yöntemler arasında gerçek zamanlı BBA'larda çoklu sınıf ve doğruluk oranı göz önüne alındığında en çok kullanılan görsel uyaran tabanlı yöntemlerdir.Bu tez çalışmasında Sabit Durum Görsel Uyaran Potansiyel (SDGUP) tabanlı EEG sinyal analizi gerçekleştirilmiş. Amaca uygun olarak bireyin ekran üzerinde belli frekanslarda titreşen sol (6,66 Hz), sağ (8.57 Hz) ve yukarı (12 Hz) olmak üzere üç farklı yönü gösteren şekillere bakması istenilmiştir. Birey ekran üzerindeki titreşen şekillere bakarken Emotiv Epoc+ cihazı ile EEG sinyalleri bilgisayar ortamına alınmış, OpenVibe ve Matlab yazılım platformunda bu sinyaller analiz edilip sinyal anlamlandırma işlemi gerçekleştirilmiştir. OpenVibe'da kişisel EEG sinyal verileri kullanılarak sistem ağı eğitilmiştir. Daha sonra eğitilen bu ağ kullanılarak gerçek zamanlı EEG sinyalleri ile sistem online olarak test edilmiştir. Matlab yazılım ortamına alınan EEG sinyalleri ise bant geçirgen filtreden geçirilmiş daha sonra Hilbert ve Kısa Zamanlı Fourier Dönüşüm işlemlerine tabi tutulmuştur. Deneğin baktığı farklı frekanstaki her şekil için görsel olarak uyarıldığı Oksipital bölgede SDGUP cevabı bulma işlemi yapılmıştır. SDGUP cevabı tespit edildikten sonra eğitim için Multimedia Authoring and Management using your Eyes and Mind (MAMEM) kuruluşu tarafından Emotiv Epoc+ cihazı ile on bir denekten toplanmış veri Yapay Sinir Ağları (YSA) ve Destek Vektör Makinaları (DVM) ile eğitim için kullanılmıştır. Eğitilen sınıflandırıcı ağını test için Emotiv Epoc+ cihazı ile kişisel EEG verileri kullanılmıştır. Bu şekilde bireyin ekran üzerinde hangi yöne baktığı beyin sinyalleri kullanılarak tespit edilmiş ve Lego Mindstorm EV3 robotu bu yönlere göre hareketi sağlanarak kontrol edilmiştir. Sonuçların başarılı bir şekilde test edilmesi gelecekte nano teknolojiler ve mobil cihazlar ile sistem bütünleştirilerek EEG tabanlı BBA çalışmalarında cihaz kontrolünün çok daha hassas, hızlı ve başarılı olacağı hakkında ümit vermektedir. Electroencephalography (EEG), Positron Emission Tomography (PET), Single Photon Emission Computed Tomography (TPEBT), Magnetoencephalography (MEG) and Functional Magnetic Resonance Imaging (fMRI) techniques are used in the measurement and analysis of electrical activities in the brain. However, the most reliable brain signal measurement and analysis technique has been accepted as EEG in terms of cost, size and risk of damage to the body. EEG signals are one of the most basic methods used to analyze brain activity. EEG is used as a test tool to evaluate the electrical activity in the brain.In 1929, for the first time by Hans Berger, brain activities were measured by introducing human EEG. Nearly a century ago, EEG was used as a diagnostic tool. It was also used in systems called Brain-Computer Interface (BBA). Neurologists have been able to diagnose the shape of a patient's brain wave activity and have found abnormalities that lead to epilepsy, seizures or other neurological disorders.With the development of the BBA, the quality of life of individuals with partial disabilities and health problems in the musculoskeletal system has been increased. Patients with paralysis, especially those who have lost their mobility, have increased the possibilities of survival and have developed systems to assist them. Today, many scientists are working on this subject. Many methods of EEG-based BBA are available in the literature. These methods are the most commonly used visual stimulus based methods when multiple classes and accuracy rates are considered in real-time BBAs.In this thesis, Steady State Visually Evoked Potential(SSVEP) based EEG signal analysis was performed. In accordance with the aim, the individual is asked to look at three different directions on the screen, left (6.66 Hz), right (8.57 Hz) and up (12 Hz), which oscillate at certain frequencies. When looking at the flickering shapes on the screen, the EEG signals were received with the Emotiv EpoC + device and the signals were analyzed and signals were analyzed in OpenVibe and Matlab software platform. OpenVibe also trained the system network using personal EEG signaling. Then, this network was trained and the system was tested online with real-time EEG signals.The EEG signals received in the Matlab software platform were passed through a bandpass filter and then subjected to Hilbert and Short Time Fourier Transform operations. Visually stimulated in the occipital region the SSVEP response was made to find out for every shape that Subject look at in different frekans. After the SSVEP response was detected, data collected from eleven subjects by Emotiv Epoc+ device by Multimedia Authoring and Management using your Eyes and Mind (MAMEM) organization for training were used for training with Artificial Neural Networks (ANN) and Support Vector Machines (SVM). Emotiv Epoc+ device and personal EEG data were used to test the trained classifier network. In this way, the direction in which the individual looked on the screen was determined using brain signals, and the Lego Mindstorm EV3 robot was controlled according to these directions. Successful testing of the results is expected in the future to integrate the system with nanotechnologies and mobile devices, which will make the device control in EEG based BBA workings much more precise, faster and more successful. 71

Orman yangınları, atmosferi olumsuz yönde etkileyen, birçok canlı türünün yaşam alanını yok eden, bitki ve hayvan türlerinin yok olmasına sebep olan bir afettir. Orman yangınları ile mücadele sürecinde, yangının erken tespit edilmesi ve ihbar sistemlerine ulaştırılması önemli bir konudur. Teknolojinin gelişmesine bağlı olarak günümüzde görüntü işleme teknikleri ile yangın/alev tespiti yapılmaktadır. Yangın/Alev tespitinde geliştirilen yöntemler de genellikle alevin statik ya da dinamik özellikleri kullanılmıştır. Bu çalışma da, yangın görüntülerinin renk özellikleri kullanılmış ve yangın görüntüleri yeni bir renk uzayına taşınarak alevin tespit edilmesi sağlanmıştır. Elde edilen yeni renk uzayı, Yapay Arı Kolonisi (YAK) algoritması kullanılarak geliştirilmiştir. Yeni renk uzayına dönüştürülen görüntüler üzerinde Otsu eşik yöntemi kullanılmış ve ikili görüntülere dönüştürülen görüntülerden alev tespiti yapılmıştır. Alev tespit işlemi bittikten sonra, elde edilen ikili görüntüler veri seti içerisinde bulunan gerçek ikili görüntüler ile benzerlik ölçütüne tabi tutulmuş ve önerilen yöntemin başarı ölçütü hesaplanmıştır. Forest fires are a disaster that affects the atmosphere in the negative way, destroying the habitat of many living species and destroying plant and animal species. In the fight against forest fires, the early detection of fire and the introduction of warning systems have a great important. Nowadays, depending on the development of the technology, image processing techniques are used in fire / flame detection. Usually, static or dynamic characteristics of fire/flame are used in developed methods for fire / flame detection. In this study, the color features of the fire images were used and the fire images transformed to a new color space to detect the flame. The obtained new color space is developed by using the Artificial Bee Colony (ABC) algorithm. Otsu thresholding method was used on converted images in new color space. Flame detection was performed on binary images. After the flame detection process is completed, the obtained binary images are subjected to the similarity measure with the real binary images contained in the data set and the success criterion of the proposed method is calculated. 58

Bu tez çalışmasında öncelikle bilgi güvenliğine yönelik tehditler açıklanmış; bu tehditlere karşı savunma yöntemleri ve öneriler sunulmuştur. Oltalama web sitelerinin tespit edilmesine yönelik olarak iki uygulama gerçekleştirilmiştir. Birinci uygulamada Yapay Sinir Ağı modeli ile oltalama web sitelerinin tespit edilmesine yönelik sınıflandırma uygulaması gerçekleştirilmiştir. Bu uygulama ile oluşturulan ağlara 5-li çapraz geçerlilik testi uygulanmıştır. Ortalama sınıflandırma doğruluğu %90,61, en yüksek sınıflandırma doğruluğu ise %92,45 olarak ölçülmüştür. İkinci uygulamada ise Aşırı Öğrenme Makinesi modeli ile oltalama web sitelerinin tespit edilmesine yönelik sınıflandırma uygulaması gerçekleştirilmiştir. Bu uygulamada 10-lu çapraz geçerlilik testi uygulanmıştır. Ortalama sınıflandırma doğruluğu %95,05, en yüksek sınıflandırma doğruluğu ise %95,93 olarak ölçülmüştür. In this thesis, firstly the threats on information security are described; methods of defense against these threats, and recommendations are presented. Two applications in order to identify the phishing website were performed. In the first application, classification application has been performed for the detection of phishing website by Artificial Neural Network model. 5-fold cross-validation test has been applied to the created networks with the first application. The average classification accuracy was achieved as 90.61%, and the highest classification accuracy was achieved as 92.45%. In the second application, classification application has been performed for the detection of phishing website by Extreme Learning Machine model. In the second application, 10-fold cross-validation test has been applied. The average classification accuracy was achieved as 95.05%, and the highest classification accuracy was achieved as 95.93%. 100

Bu tezde, ortalama kayma algoritması ve uyarlamalı Kalman filtresi birlikte kullanılarak görüntü dizilerinde nesne takibi gerçekleştirilmiştir.Ortalama kayma algoritması takip edilen nesnenin ardışık iki görüntü arasında hızlı yer değiştirmesi veya nesnenin başka nesneler tarafından engellenmesi gibi durumlarda iyi sonuçlar verememektedir. Yapılan çalışmada, takip edilen nesnenin aranacağı başlangıç konumu Kalman filtresi tarafından tahmin edilir ve ortalama kayma algoritması nesneyi bu konumda aramaya başlar. Ortalama kayma algoritmasından elde edilen Bhattacharyya katsayısı, Kalman filtresinin ölçüm hata kovaryans matrisini anlık güncellemede ve nesnenin engele maruz kalıp kalmadığına karar vermede kullanılır.Deneysel sonuçlar önerilen yöntemin nesnenin engellenme ve hızlı hareket etme durumları için standart ortalama kayma algoritmasına kıyasla daha etkili olduğunu göstermektedir. In this thesis, object tracking in video sequences isimplemented by using both mean shift algorithm and adaptive Kalman filter.Mean shift algorithm cannot give good results when the position of the tracked object is changed rapidly between subsequent two frames or the tracked object is occluded.In this study,initial position to searchthe tracked object is predicted by Kalman filter and then the mean shift algorithm begins to search the object in this position. Bhattacharyya coefficient, which is obtained from mean shift algorithm, is used to instantly update Kalman filters error covariance matrix and determine whether object is occluded or not.Experimental results demonstrate that the proposed method has been more efficient technique as compared to standard mean shift algorithm in case of occlusion and fast object tracking. 80

Bu çalışmada YOHO veri tabanından alınan cümleler üzerinde Yapay Sinir Ağları (YSA) ve Uyarlamalı Sinirsel Bulanık Ağ (USBA) kullanılarak metin bağımlı konuşmacı tanıma uygulamaları geliştirilmiştir. Konuşmacı tanıma sisteminin öznitelik çıkarım aşamasında Mel Frekansı Kepstrum Katsayıları (MFKK) ve Dalgacık Dönüşümlü (DD) entropi değerleri kullanılmıştır. Elde edilen özellik vektörleri, YSA ve USBA tabanlı modellere giriş olarak uygulanmış ve modeller eğitilmiştir. Test aşamasında ise verilen konuşma örneğinden konuşmacının kim olduğu tespit edilmeye çalışılmıştır. Aynı zamanda MFKK öznitelik vektörleri ve DD sonucu elde edilen entropi değerleri ile YSA ve USBA gibi akıllı metotların çeşitli parametrelerinin değişmesinin konuşmacı tanıma üzerindeki etkileri incelenerek karşılaştırılmıştır. In this study, text depended speaker recognizer system; based on Neural Network (NN) and Adaptive Network Fuzzy Inference System (ANFIS) are designed by using YOHO database. In feature extracting stage of speaker recognizer, MFCC and Wavelet Transform (WT) entropy values were used. The obtained feature vectors are used as inputs to the NN and ANFIS models. In test stage, recognition of the speakers is performed from the given speech samples. At the same time, MFCC feature vectors and wavelet transforms entropy values are used for examining the NN and ANFIS model parameters effects on the systems performance and finally the results are compared. 66