Search

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

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

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

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

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