6746 research outputs found
Sort by
Sinkhole detection via deep learning using DEM images
No full textSinkholes, commonly observed in karstic regions, are landforms with unpredictable formation time and location. These landforms are an important natural disaster that threaten human life and country economies. Sinkholes, observed as cover collapse or depressions in nature, may be easily identified with remote sensing methods (digital elevation models, satellite and aerial photographs, etc.). These methods reduce time and labor burdens before field investigations. In this study, the aim was to accurately identify sinkholes by training a deep learning method with hillshade images obtained from DEM data. In line with this aim, the study area was identified as the Karapınar region (Konya, Türkiye), where many sinkholes have formed in recent periods linked to climatological and anthropological factors. In this study, 5 different (nano, small, medium, large and x-large) sinkhole detection models were developed using YOLO v8. The developed models provided high success rates in detecting sinkholes with different diameters and depths. © The Author(s) 2025.Türkiye Bilimsel ve Teknolojik Araştırma Kurumu, TÜBİTA
Değişen Demiryolu Seyahatinde Kaybolan İmgeler: Toros Ekspresi İstasyonları
No full textBu çalışma, Konya-Adana demiryolu hattında yer alan Toros Ekspresi istasyonlarını tarihsel bir perspektif içerisinde mimari ve mekânsal açıdan incelemektedir. Teknolojik gelişmeler, ulaşım araçları ve sistematik dönüşümler sonucunda mekânlar; kimlik, bağlam ve tarihsellikten uzaklaşarak yüzeysel imgeler hâline gelmektedir. Artan hızla birlikte mekânlar, kullanıcılar tarafından algılanamadan geride bırakılmakta; yeni ulaşım ağları ise kent merkezlerinden uzak bölgelerden geçerek birey-mekân ilişkisini dönüştürmektedir. Çalışmada görsel analiz ve kesitsel araştırma yöntemleri kullanılarak Toros Ekspresi ile yapılan yolculuklardan elde edilen veriler değerlendirilmiştir. Bu analiz, istasyonların mimari ve mekânsal özelliklerinin günümüz kullanıcıları tarafından yeterince algılanamadığını ortaya koyarken, tarihsel yapıların çağdaş bağlamda yeniden işlevlendirilmesi gerekliliğini de ortaya çıkarmaktadır. Bu bağlamda ‘adaptive re-use’ (yeniden işlevlendirme) yaklaşımı, istasyon yapılarını özgün mimari niteliklerini koruyarak kent yaşamına yeniden kazandırma potansiyeli taşımaktadır. Yeniden kullanım önerileri, hattın tarihsel ve fiziksel bütünlüğünü koruyacak şekilde kurgulanmalı; bu süreçte hem koruma ilkeleri hem de çağdaş kent gereksinimleri göz önünde bulundurulmalıdır. Çalışma, insan-mekân etkileşiminin günümüz koşullarına uygun biçimde yeniden tanımlanmasının ve bu bağlamda tarihi istasyonların kullanıcılar için daha anlamlı mekânlara dönüştürülmesinin gerekliliğini vurgulamaktadır. Bu yaklaşımla mekânların kültürel miras değeri korunurken toplumsal bellekteki yerini de güçlendirmeyi hedeflemektedir
Impact of Heating on Olive Oil: Oxidative Changes and Physicochemical Properties
No full textThis study aimed to analyze the physicochemical parameters of various brands of olive oil (OO) available in the local markets of Hyderabad, Pakistan. The parameters studied include concentrations of chlorophyll, β-carotene, free fatty acid (FFA), conjugated diene (CD), conjugated triene (CT), and oxidative stability. The results showed that none of the analyzed (OO) is recommended for cooking due to high FFA levels, but all except one could be used as salad oil. Through a systematic analysis, we also examined the impact of heating on chlorophyll and β - carotene levels in commercial OO brands. Our findings elucidate the varying responses of OO brands to heating, with distinct alterations observed in chlorophyll, and β -carotene levels. Furthermore, the FTIR analysis provided valuable insights into the molecular changes and oxidative stability of the oils under different heating conditions. These findings have significant implications for both consumers and the OO industry, as they provide valuable insights into the selection of high-quality OO brands that maintain their nutritional integrity and flavor profiles during cooking
Search for Medium Effects Using Jet Axis Decorrelation in Inclusive Jets From PbPb Collisions at √sNN=5.02 TeV
No full textSmith, Nicholas/0000-0002-0324-3054; Hall, Geoffrey/0000-0002-6299-8385; Evdokimov, Olga/0000-0002-1250-8931; Huang, Tao/0000-0002-0793-5664; D'Anzi, Brunella/0000-0002-9361-3142; Gritsan, Andrei/0000-0002-3545-7970; Luongo, Fabio/0000-0003-2743-4119; Vannerom, David/0000-0002-2747-5095; Pitt, Michael/0000-0003-2461-5985; Karneyeu, Anton/0000-0001-9983-1004; Zhang, Yousen/0000-0002-6812-761X; Nanda, Shirsendu/0000-0003-0550-4083; Wei, Wei/0000-0003-4221-1802; Tizchang, Seddigheh/0000-0002-9034-598X; Tytgat, Michael/0000-0002-3990-2074; Bodek, Arie/0000-0003-0409-0341; Wittich, Peter/0000-0002-7401-2181; Barroso Ferreira, Mapse/0000-0003-3904-0571; Vai, Ilaria/0000-0003-0037-5032; Redondo, Ignacio/0000-0003-3737-4121; Mitselmakher, Guenakh/0000-0001-5745-3658; Tapper, Alexander/0000-0003-4543-864X; Kyberd, Paul/0000-0002-7353-7090; Yazgan, Efe/0000-0001-5732-7950; Dansana, Soumya/0000-0002-7752-7471; Landsberg, Greg/0000-0002-4184-9380; Connor, Patrick/0000-0003-2500-1061; Ivanov, Andrew/0000-0002-9270-5643; Moureaux, Louis/0000-0002-2310-9266; Forthomme, Laurent/0000-0002-3302-336X; Kyriacou, Savvas/0000-0002-9254-4368; Akhter, Towsifa/0000-0001-5965-2386; Saha, Nihar Ranjan/0000-0002-7954-7898; Diotalevi, Tommaso/0000-0003-0780-8785; Sandro, Fonseca De Souza/0000-0001-7830-0837; Garcia, Francisco/0000-0002-4023-7964; D'Enterria, David/0000-0002-5754-4303; Roguljic, Matej/0000-0001-5311-3007; Duarte, Javier Mauricio/0000-0002-5076-7096; Koraka, Charis Kleio/0000-0002-4548-9992; Lee, Sung-Won/0000-0002-3388-8339; Grosso, Gaia/0000-0002-8303-3291The jet axis decorrelation in inclusive jets is studied using lead-lead (PbPb) collisions at a center-of-mass energy per nucleon pair of 5.02 TeV. The jet axis decorrelation is defined as the angular difference between two definitions of the jet axis. It is obtained by applying two recombination schemes on all the constituents of a given jet reconstructed by the anti-k(T) sequential algorithm with a distance parameter of R = 0.4. The data set, corresponding to an integrated luminosity of 0.66 nb(-1), was collected in 2018 with the CMS detector at the CERN LHC. The jet axis decorrelations are examined across collision centrality selections and intervals of jet transverse momentum. A centrality dependent evolution of the measured distributions is observed, with a progressive narrowing seen in more central events. This narrowing could result from medium-induced modification of the internal jet structure or reflect color charge effects in energy loss. This new measurement probes jet substructure in previously unexplored kinematic domains and show great promise for providing new insights on the color charge dependence of energy loss to jet-quenching models.We congratulate our colleagues in the CERN accelerator departments for the excellent performance of the LHC and thank the technical and administrative staffs at CERN and at other CMS institutes for their contributions to the success of the CMS effort. In addition, we gratefully acknowledge the computing centers and personnel of the Worldwide LHC Computing Grid and other centers for delivering so effectively the computing infrastructure essential to our analyses. Finally, we acknowledge the enduring support for the construction and operation of the LHC, the CMS detector, and the supporting computing infrastructure provided by the following funding agencies: SC (Armenia), BMBWF and FWF (Austria); FNRS and FWO (Belgium); CNPq, CAPES, FAPERJ, FAPERGS, and FAPESP (Brazil); MES and BNSF (Bulgaria); CERN; CAS, MoST, and NSFC (China); MINCIENCIAS (Colombia); MSES and CSF (Croatia); RIF (Cyprus); SENESCYT (Ecuador); ERC PRG, RVTT3 and MoER TK202 (Estonia); Academy of Finland, MEC, and HIP (Finland); CEA and CNRS/IN2P3 (France); SRNSF (Georgia); BMBF, DFG, and HGF (Germany); GSRI (Greece); NKFIH (Hungary); DAE and DST (India); IPM (Iran); SFI (Ireland); INFN (Italy); MSIP and NRF (Republic of Korea); MES (Latvia); LMTLT (Lithuania); MOE and UM (Malaysia); BUAP, CINVESTAV, CONACYT, LNS, SEP, and UASLP-FAI (Mexico); MOS (Montenegro); MBIE (New Zealand); PAEC (Pakistan); MES and NSC (Poland); FCT (Portugal); MESTD (Serbia); MICIU/AEI and PCTI (Spain); MOSTR (Sri Lanka); Swiss Funding Agencies (Switzerland); MST (Taipei); MHESI and NSTDA (Thailand); TUBITAK and TENMAK (Turkey); NASU (Ukraine); STFC (United Kingdom); DOE and NSF (U.S.A.). Individuals have received support from the Marie-Curie program and the European Research Council and Horizon 2020 Grant, contract Nos. 675440, 724704, 752730, 758316, 765710, 824093, 101115353, 101002207, and COST Action CA16108 (European Union); the Leventis Foundation; the Alfred P. Sloan Foundation; the Alexander von Humboldt Foundation; the Science Committee, project no. 22rl-037 (Armenia); the Fonds pour la Formation a la Recherche dans l'Industrie et dans l'Agriculture (FRIA-Belgium); the Beijing Municipal Science ; Technology Commission, No. Z191100007219010 and Fundamental Research Funds for the Central Universities (China); the Ministry of Education, Youth and Sports (MEYS) of the Czech Republic; the Shota Rustaveli National Science Foundation, grant FR-22-985 (Georgia); the Deutsche Forschungsgemeinschaft (DFG), among others, under Germany's Excellence Strategy - EXC 2121 "Quantum Universe" - 390833306, and under project number 400140256 -GRK2497; the Hellenic Foundation for Research and Innovation (HFRI), Project Number 2288 (Greece); the Hungarian Academy of Sciences, the New National Excellence Program - UNKP, the NKFIH research grants K 131991, K 133046, K 138136, K 143460, K 143477, K 146913, K 146914, K 147048, 2020-2.2.1-ED-2021-00181, TKP2021-NKTA-64, and 2021-4.1.2-NEMZ_KI-2024-00036 (Hungary); the Council of Science and Industrial Research, India; ICSC - National Research Center for High Performance Computing, Big Data and Quantum Computing and FAIR - Future Artificial Intelligence Research, funded by the NextGenerationEU program (Italy); the Latvian Council of Science; the Ministry of Education and Science, project no. 2022/WK/14, and the National Science Center, contracts Opus 2021/41/B/ST2/01369 and 2021/43/B/ST2/01552 (Poland); the Fundacao para a Ciencia e a Tecnologia, grant CEECIND/01334/2018 (Portugal); the National Priorities Research Program by Qatar National Research Fund; MICIU/AEI/10.13039/501100011033, ERDF/EU, "European Union NextGenerationEU/PRTR", and Programa Severo Ochoa del Principado de Asturias (Spain); the Chulalongkorn Academic into Its 2nd Century Project Advancement Project, and the National Science, Research and Innovation Fund via the Program Management Unit for Human Resources ; Institutional Development, Research and Innovation, grant B39G670016 (Thailand); the Kavli Foundation; the Nvidia Corporation; the SuperMicro Corporation; the Welch Foundation, contract C-1845; and the Weston Havens Foundation (U.S.A.).FWF; FNRS; FWO (Belgium); CNPq; CAPES; FAPERJ; FAPERGS; FAPESP (Brazil); BNSF (Bulgaria); MoST; NSFC (China); CSF (Croatia); RIF (Cyprus); SENESCYT (Ecuador); ERC PRG [MoER TK202]; Academy of Finland; MEC; CEA; CNRS/IN2P3 (France); SRNSF; BMBF; DFG; HGF (Germany); NKFIH (Hungary); DAE; DST; IPM; SFI (Ireland); INFN (Italy); NRF (Republic of Korea); MES (Latvia); MOE; UM (Malaysia); BUAP; CONACYT; UASLP-FAI (Mexico); PAEC (Pakistan); FCT (Portugal); MESTD (Serbia); PCTI (Spain); MOSTR (Sri Lanka); Swiss Funding Agencies (Switzerland); NSTDA; TUBITAK; DOE; NSF; Marie-Curie program; European Research Council; Horizon 2020 Grant [675440, 724704, 752730, 758316, 765710, 824093, 101115353, 101002207]; COST Action [CA16108]; Leventis Foundation; Alfred P. Sloan Foundation; Alexander von Humboldt Foundation; Science Committee [22rl-037]; Fonds pour la Formation a la Recherche dans l'Industrie et dans l'Agriculture (FRIA-Belgium); Beijing Municipal Science ; Technology Commission [Z191100007219010]; Fundamental Research Funds for the Central Universities (China); Ministry of Education, Youth and Sports (MEYS) of the Czech Republic; Shota Rustaveli National Science Foundation [FR-22-985]; Deutsche Forschungsgemeinschaft (DFG) [EXC 2121, 390833306, 400140256 -GRK2497]; Hellenic Foundation for Research and Innovation (HFRI) [2288]; Hungarian Academy of Sciences [K 131991, K 133046, K 138136, K 143460, K 143477, K 146913, K 146914, K 147048, 2020-2.2.1-ED-2021-00181, TKP2021-NKTA-64, 2021-4.1.2-NEMZ_KI-2024-00036]; Council of Science and Industrial Research, India - NextGenerationEU program (Italy); Latvian Council of Science; Ministry of Education and Science [2022/WK/14]; National Science Center [Opus 2021/41/B/ST2/01369, 2021/43/B/ST2/01552]; Fundacao para a Ciencia e a Tecnologia [CEECIND/01334/2018]; National Priorities Research Program by Qatar National Research Fund [MICIU/AEI/10.13039/501100011033]; ERDF/EU; Programa Severo Ochoa del Principado de Asturias (Spain); National Science, Research and Innovation Fund via the Program Management Unit for Human Resources ; Institutional Development, Research and Innovation [B39G670016]; Kavli Foundation; Nvidia Corporation; SuperMicro Corporation; Welch Foundation [C-1845]; Weston Havens Foundation (U.S.A.
The Impact of Urban Growth on Land Surface Temperature in Konya Province's Selçuklu District
No full textThe ecosystem and climate are significantly impacted by population increase and rapid, uncontrolled urbanization. Green, moisture-retaining natural environments become impermeable artificial surfaces as a result of urbanization, changes in land cover, and the rate of melting. These changes in land cover caused by humans have a big impact on the microclimate. The urban environment gets hotter due to the rise in artificial surfaces and the fall in greenery, particularly in regular areas. Heat islands are what these situations are known as. This study uses data from Landsat 5 TM and Landsat 8 OLI/TIRS Konya for the years 1985-2005-2015-2021 of the Sel ; ccedil;uklu district, a highly developed province with a population and service sector resulting from industrial development between 1985 and 2015, as well as sensors and industrial zones. The impact of increase on Land Surface Temperature (LST) was explored. Land surface temperature tests conducted separately for residential and industrial zones, a significant rise was noted in industrial areas. Increased land surface temperatures caused by industrialization in the Sel ; ccedil;uk region also impacted the villages nearby, resulting in an increase in land surface temperature in areas close to the industrial area. This leads us to the conclusion that industrial regions have a greater impact on temperature than residential areas
Türkiye'de İkinci El Araç Satış Fiyatlarının Tahmininde Makine Öğrenmesi Algoritmalarının Karşılaştırılması
No full textBu tez çalışması, Türkiye'deki ikinci el araç piyasasına ait gerçek veriler üzerinden, araçların satış fiyatlarının makine öğrenmesi algoritmalarıyla tahmin edilmesini amaçlamaktadır. Günümüzde araç fiyatlarının belirlenmesinde birçok değişkenin etkili olması ve fiyat aralıklarının büyük farklılık göstermesi, alıcı ve satıcılar açısından belirsizlik yaratmaktadır. Bu bağlamda, veri odaklı yaklaşımlarla nesnel ve tutarlı fiyat tahmini modellerinin geliştirilmesi, hem sektörel karar süreçlerine destek sunmakta hem de kullanıcı güvenliğini artırmaktadır. Çalışmada veri seti, çevrim içi araç ilan platformlarından bir web kazıma aracı kullanılarak oluşturulmuştur. Kazıma işlemi yalnızca Volkswagen marka araçlara odaklanmış, araçlara ait model yılı, kilometre bilgisi, yakıt türü, vites tipi ve motor hacmi gibi temel öznitelikler toplanmıştır. Toplanan veriler, eksik ve tutarsız gözlemlerden arındırılmış, kategorik değişkenler sayısallaştırılmış ve sayısal veriler normalizasyon işlemine tabi tutulmuştur. Elde edilen veri seti, yaklaşık 44000 satır ve 10-11 öznitelikten oluşan, analiz için temiz ve dengeli bir yapı sunmaktadır. Fiyat tahmini problemi, regresyon tipi bir makine öğrenmesi problemi olarak ele alınmıştır. Bu doğrultuda dört farklı algoritma seçilmiş ve karşılaştırılmıştır: Karar Ağaçları (KA), k-En Yakın Komşu (KEYK), (RO) ve Destek Vektör Makineleri (DVM). Her bir algoritma, hem geleneksel veri bölme stratejileri (%80 eğitim – %20 test, %90 eğitim – %10 test) hem de 5'ten 10'a kadar farklı k değerleriyle k-katlı çapraz doğrulama yöntemiyle test edilmiştir. Model performansları çok boyutlu olarak değerlendirilmiştir. Kullanılan ölçütler arasında R², Ortalama Mutlak Hata (OMH), Ortalama Kare Hata (OKH), Kök Ortalama Kare Hata (KOKH), Ortalama Mutlak Yüzde Hata (OMYH) ve Ortalama İşaretli Sapma (OİS) yer almıştır. Elde edilen bulgular, en yüksek doğruluk ve en düşük hata oranlarının rastgele orman algoritmasında toplandığını göstermiştir. Bu model %95'in üzerinde R² değeri ve yalnızca yaklaşık %6,9'luk OMYH değeriyle tahmin doğruluğunda en iyi sonucu vermiştir. KEYK algoritması da düşük hata metrikleriyle güçlü bir alternatif olarak değerlendirilmiştir. Öte yandan, karar ağaçları algoritmasının anlaşılabilirliğine rağmen istikrarsız sonuçlar ürettiği, DVM algoritmasının ise parametre duyarlılığı nedeniyle bazı veri bölmelerinde performans dalgalanmaları yaşadığı gözlemlenmiştir. Sonuç olarak çalışma, gerçek dünyadan elde edilen verilerle dört farklı algoritmanın karşılaştırmalı analizini yaparak, ikinci el araç fiyat tahmininde en uygun makine öğrenmesi yöntemini ortaya koymuştur. Rastgele orman modeli, istikrar, genellenebilirlik ve doğruluk açısından en başarılı sonuçları verirken, diğer algoritmaların belirli koşullarda avantaj ve dezavantajları ortaya konmuştur. Bu tez hem yöntemsel kapsamı hem de veri işleme süreçleriyle ikinci el araç fiyatlandırma alanında uygulanabilir bir karar destek sistemi tasarımı sunmakta, ayrıca gelecek çalışmalara ışık tutacak nitelikte çok yönlü bir modelleme yaklaşımı önermektedir.This thesis aims to predict the selling prices of vehicles using machine learning algorithms based on real data from the second-hand car market in Turkey. Nowadays, many variables are effective in determining vehicle prices and price ranges vary widely, which creates uncertainty for buyers and sellers. In this context, the development of objective and consistent price prediction models with data-driven approaches both supports sectoral decision-making processes and increases user safety. In the study, the dataset was created using a web scraping tool from online vehicle listing platforms. The scraping process focused only on Volkswagen brand vehicles, and basic attributes such as model year, mileage, fuel type, gear type and engine displacement were collected. The collected data were cleaned from missing and inconsistent observations, categorical variables were digitised and numerical data were subjected to normalisation process. The resulting dataset provides a clean and balanced structure for the analysis, consisting of approximately 1000 rows and 10-11 attributes. The price prediction problem is considered as a regression type machine learning problem. Four different algorithms were selected and compared: decision trees, k-nearest neighbors (KNN), random forest and support vector machines (SVM). Each algorithm was tested with both traditional data splitting strategies (80% training - 20% testing, 90% training - 10% testing) and k-fold cross-validation with different k values from 5 to 10. Model performances were evaluated multidimensionally. The metrics used included R², Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE) and Mean Deviation Value (MDV). The results showed that the highest accuracy and lowest error rates were obtained in the random forest algorithm. This model gave the best result in prediction accuracy with an R² value of over 95% and a MAPE value of only about 6.9%. The KNN algorithm was also considered as a strong alternative with low error metrics. On the other hand, it was observed that the decision tree algorithm produced unstable results despite its comprehensibility, while the SVM algorithm experienced performance fluctuations in some data bins due to parameter sensitivity. As a result, the study provides a comparative analysis of four different algorithms with real-world data and reveals the most appropriate machine learning method for used car price prediction. While the random forest model gives the most successful results in terms of stability, generalisability and accuracy, the advantages and disadvantages of the other algorithms under certain conditions are revealed. This thesis presents a decision support system design that can be applied in the field of used car pricing with both its methodological scope and data processing processes, and also proposes a versatile modelling approach that will shed light on future studies
Dual-Band Angle Insensitive Metamaterial Absorber for Microwave Sensor Applications
No full textThis work presents an angle-insensitive dual-band metamaterial absorber for microwave sensor applications. The percentage of absorption rates for the proposed MMA at 3.06 GHz and 5.8 GHz are 93.62% and 99.01%, respectively. Also, MMA has been investigated for sensor applications by changing permittivity between 1 and 10. Frequency sensitivity have been obtained 550 MHz at the first resonance and 1 GHz at the second resonance. © 2025 Elsevier B.V., All rights reserved
GNSS Sinyal Kayıplarında İHA'ların Konumlandırılması için Derin Öğrenme Tabanlı Görsel ve Ataletsel Veri Füzyonu
No full textIn recent years, Unmanned Aerial Vehicles (UAVs) have begun to be used in many application areas. In applications where UAVs are used, the accuracy of location information directly affects the success of these applications. Global Navigation Satellite Systems (GNSS) are widely used for location information. However, GNSS is interrupted in closed or difficult environments. In order to prevent this situation and provide a healthy positioning, many methods that can work independently of the GNSS signal have been proposed. Visual and Inertial data have been used separately or combined in GNSS independent methods, which are especially successful in indoor positioning. Although classical image and sensor processing methods were first used for positioning, developments in the field of deep learning have also affected this field. In recent years, deep learning-based methods have been proposed and successful for many operations performed with classical methods in positioning. Although deep learning-based methods have begun to surpass classical methods, the development of both types of methods has continued. In this thesis, Deep Attention-Based Visual Inertial Positioning System has been proposed for UAV positioning in cases where GNSS signal losses occur. A Convolutional Neural Network (CNN) with an integrated attention mechanism is proposed for processing visual data and extracting positioning features. Attention-based Hierarchical Long Short-Term Memory (AHLSTM) model is used for processing inertial data and extracting positioning features. Visual and inertial features obtained with attention mechanisms are integrated with deep learning-based fusion structures to achieve high accuracy location estimation. Using the attention mechanism in visual and inertial data provides a significant performance increase by focusing on prominent regions in terms of location determination. In addition, an original location approach based solely on Inertial Measurement Unit (IMU) data is presented within the scope of the thesis. In this method, IMU data is used to model locational change in space instead of directly producing location information. The developed systems are open source and have been tested on datasets created in a simulation environment. The results show that attention mechanisms provide reliable and highly accurate location independent of GNSS when used with visual and inertial data.Son yıllarda İnsansız Hava Araçları (İHA) birçok uygulama alanında kullanılmaya başlanmıştır. İHA'ların kullanıldığı uygulamalarda konum bilgisinin doğruluğu bu uygulamaların başarısını doğrudan etkilemektedir. Konum bilgisi için yaygın olarak Küresel Konum Belirleme Sistemleri (Global Navigation Satellite System (GNSS)) kullanılmaktadır. Ancak GNSS kapalı veya zorlu ortamlarda kesintiye uğramaktadır. Bu durumun önüne geçmek ve sağlıklı bir konumlandırma sağlamak için GNSS sinyalinden bağımsız çalışabilen birçok yöntem önerilmiştir. Özellikle iç ortam konumlandırmada başarılı olan GNSS bağımsız yöntemlerde Görsel ve Ataletsel veriler ayrı ayrı veya birleştirilerek kullanılmıştır. Konumlandırma için yapılan ilk çalışmalarda klasik görüntü ve sensör işleme yöntemleri kullanılmaya başlansa da derin öğrenme alanında yaşanan gelişmeler bu alanı da etkilemiştir. Son yıllarda konumlandırmada klasik yöntemler ile yapılan birçok işlem için derin öğrenme tabanlı yöntemler önerilmiş ve başarılı olmuştur. Derin öğrenme tabanlı yöntemler klasik yöntemlerin önüne geçmeye başlasa da her iki yöntem türünün gelişimi devam etmiştir. Bu tez çalışmasında ise GNSS sinyal kayıplarının yaşandığı durumlarda İHA konumlandırılması amacıyla Derin Dikkat Tabanlı Görsel Ataletsel Konumlandırma Sistemi önerilmiştir. Görsel verilerin işlenmesi ve konumlandırma özelliklerinin çıkartılması için dikkat mekanizması entegre edilmiş Evrişimli Sinir Ağı (Convolutional Neural Network (CNN)) önerilmiştir. Ataletsel verilerin işlenmesi ve konumlandırma özelliklerinin çıkartılması için Dikkat Tabanlı Hiyerarşik Uzun Kısa Süreli Bellek (Attention-based Hierarchical Long Short-Term Memory (AHLSTM)) modeli kullanılmıştır. Dikkat mekanizmaları ile elde edilen görsel ve ataletsel özellikler, derin öğrenme tabanlı birleştirme yapılarıyla entegre edilerek yüksek doğrulukta konum tahmini gerçekleştirilmiştir. Görsel ve ataletsel verilerde dikkat mekanizmasının kullanılması konum belirleme açısından öne çıkan bölgelere odaklanmayı sağlayarak önemli bir performans artışı sağlamıştır. Ayrıca tez kapsamında yalnızca Ataletsel Ölçüm Birimi (IMU) verilerine dayanan özgün bir konumlandırma yaklaşımı da sunulmuştur. Bu yöntemde IMU verileri doğrudan konum bilgisi üretmek yerine uzaydaki konumsal değişimi modellemek amacıyla kullanılmıştır. Geliştirilen sistemler açık kaynaklı ve simülasyon ortamında oluşturulan veri setlerinde test edilmiştir. Sonuçlar dikkat mekanizmalarının görsel ve ataletsel verilerle birlikte kullanıldığında GNSS bağımsız güvenilir ve yüksek doğrulukta konumlandırma sağladığını göstermektedir
Experimental Analysis of Various Deep Learning Methods for Predicting Displacements in an Open Pit Coal Mine
No full textSlope failure is a problem that can occur on slopes formed by natural or unnatural means for various reasons and as a result, can cause serious loss of life and property. This is also crucial in open pit mines. Therefore, it is critical to constantly monitor slope deformations and predict a possible slide that may occur in the future. Predicting the initial trend behavior of a created slope is at least as important as estimating slope failure. Therefore, in this study, we tried to estimate slope stability with a small number of deformation data. In this study we aimed to compare several deep learning methods in using time series prediction with limited data. For this purpose, we applied MLP, GRU, LSTM Networks, biLSTM and a hybrid structure of CNN-RNN methods. We utilized data taken from three stations settled in an open pit mine slope and predicted the compound deformation value of x-, y- and z-direction in these slopes. The performance was compared with respect to the root mean squared error (RMSE) and coefficient of correction (R2) values. The minimum RMSE was obtained as 0.2293 and maximum R2 was reached as 0.9984 by the GRU method on the third station's data
Diabetic Retinopathy Detection With Deep Learning
No full textDiabetes is a chronic disease that occurs when glucose in the blood remains constantly high due to insulin not being produced or used properly and a deterioration in the insulin mechanism of the pancreas. Prolonging this dysregulation of glucose levels causes serious damage to blood vessels. Diabetics are likely to experience kidney problems, eye damage, bleeding gums, and nerve damage. Eye damage that occurs in diabetic patients is called Diabetic Retinopathy. This study aims to detect Diabetic Retinopathy (DR) and grade it. Two different datasets obtained from the Kaggle platform were used for the study. The first dataset consists of images of varying sizes and has imbalanced class distributions. The second dataset is a dataset in which class distributions are made more balanced through manual data augmentation and resizing of the first dataset. In addition, in the study, two different new data sets were obtained by applying one-channel and three-channel discrete wavelet transforms separately from images in the first dataset Six different deep learning architectures were evaluated for Diabetic Retinopathy detection, and optimum hyperparameters were detected. As a result of the studies carried out, the highest accuracy values were achieved with YOLOv8n deep learning architecture. In the first data set, 86.79% accuracy was achieved with the YOLOv8n architecture, when the batch size and the learning rate were 16 and 10-3 and the optimization algorithm was Adam. Additionally, the other evaluation metrics for this model were calculated as follows: 46% precision, 68% sensitivity, 51% F1 score, and 64.20% Kappa.Diyabet, pankreasın insülin mekanizmasındaki bozulmaya bağlı olarak insülinin üretilememesi ya da doğru kullanılamaması sonucu kandaki glikozun sürekli yüksek kalması nedeniyle oluşan kronik bir rahatsızlıktır. Glikoz seviyesindeki bu düzensizliğin uzaması, kan damarlarının ciddi şekilde zarar görmesine neden olur. Diyabet hastalarının böbrek sorunları, göz hasarı, diş eti kanamaları ve sinir hasarları yaşama olasılığı yüksektir. Diyabet hastalarında ortaya çıkan göz hasarı Diyabetik Retinopati olarak isimlendirilir. Bu çalışmada, Diyabetik Retinopati (DR) hastalığının tespiti ve derecelendirilmesi amaçlanmıştır. Çalışma için Kaggle platformundan temin edilen iki farklı veri seti kullanılmıştır. İlk veri seti, farklı boyutlardaki görüntülerden oluşmaktadır ve dengesiz sınıf dağılımlarına sahiptir. İkinci veri seti, ilk veri setinde manuel veri artırma ve yeniden boyutlandırma işlemleri yapılarak sınıf dağılımlarının daha dengeli hale getirildiği bir veri setidir. Ayrıca çalışmada, ilk veri setindeki görüntülerden ayrı ayrı 1 boyutlu ve 3 boyutlu ayrık dalgacık dönüşümü uygulanarak iki farklı yeni veri seti elde edilmiştir. Diyabetik Retinopati tespiti için altı farklı derin öğrenme mimarisi değerlendirilmiş ve optimum hiper parametre tespiti gerçekleştirilmiştir. Gerçekleştirilen çalışmalar sonucunda, en yüksek doğruluk değerlerine YOLOv8n derin öğrenme mimarisi ile ulaşılmıştır. İlk veri setinde YOLOv8n mimarisi ile yığın boyutu 16, öğrenme oranı 10⁻³ ve optimizasyon fonksiyonu Adam olarak seçildiğinde %86.79 doğruluk elde edilmiştir. Ayrıca, bu model ile elde edilen diğer değerlendirme metrikleri sırasıyla %46 kesinlik, %68 duyarlılık, %51 F1 skoru ve %64.20 Kappa olarak belirlenmiştir