Geri Dön

Transfer öğrenme modellerinin basamaklandırılmış derin özelliklerini ve topluluk sınıflandırıcıları kullanarak lastik çatlaklarının tespit edilmesi

Detecting tire cracks using cascading deep features of transfer learning models and ensemble classifiers

  1. Tez No: 856222
  2. Yazar: ÖZCAN ASKAR
  3. Danışmanlar: DOÇ. DR. RAMAZAN TEKİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Batman Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 44

Özet

Bu çalışma, araç sürücülerinin lastiklerinde oluşan çatlakları tespit etmeye yönelik yapay zeka destekli bir yıpranmış lastik tespit sistem önermektedir. Genel olarak, sürücüler lastik diş derinliği ve hava basıncının önemini bilse de lastik oksidasyonundan kaynaklanan risklerin farkında değildir. Oysa lastik oksidasyonu ve çatlaklar, sürüş güvenliğini etkileyen önemli sorunlara yol açabilir. Bu çalışmada, ön-eğitimli transfer öğrenme yöntemleri kullanılarak elde edilen derin öznitelikler ve topluluk öğrenme yöntemleri kullanılarak lastiklerde çatlak tespitine yönelik CTLDF+EnC isimli yeni bir hibrit mimari önerilmektedir. Önerilen hibrit modeller, özniteliklerin elde edildiği dokuz transfer öğrenme yöntemi ve sınıflandırıcı olarak İstifleme, Yumuşak ve Katı oylama topluluk öğrenme yöntemlerini içermektedir. Çalışma literatürdeki endüstriye kullanıma yönelik X-Ray görüntü tabanlı yapılmış çoğu çalışmanın aksine herhangi bir sayısal görüntüleme cihazı ile elde edilebilecek görüntüler ile çalışmaktadır. Çalışma kapsamında en yeksek test doğruluk değeri 76,92% ile CTLDF+EnC (İstifleme) hibrit model ile elde edilmiştir. CTLDF+EnC (Yumuşak) ve CTLDF+EnC (Katı) mimarileri için ise doğruluk değerleri sırasıyla 74,15% ve 72,92% olarak elde edilmiştir. Çalışmanın sonuçları, önerilen hibrit modellerin lastik problemlerini tespit etme konusunda etkili olduğunu göstermiştir. Ayrıca düşük maliyetli ve uygulanabilir bir yapı sunulmaktadır.

Özet (Çeviri)

This study proposes an artificial intelligence-supported worn tire detection system to detect cracks in vehicle drivers' tires. In general, drivers are aware of the significance of tire tread depth and air pressure, but are not aware of the risks associated with tire oxidation. However, tire oxidation and cracks can lead to significant problems affecting driving safety. In this study, a new hybrid architecture called CTLDF+EnC is proposed for crack detection in tires using deep features obtained using pre-trained transfer learning methods and ensemble learning methods. The proposed hybrid models include nine transfer learning methods to extract features and Stacking, Soft and Hard voting ensemble learning methods as classifiers. Unlike most studies in the literature based on X-Ray images for industrial use, the study works with images that can be obtained with any digital imaging device. Within the scope of the study, the highest test accuracy value of 76.92% was obtained with the CTLDF+EnC (Stacking) hybrid model. For CTLDF+EnC (Soft) and CTLDF+EnC (Hard) architectures, accuracy values were obtained as 74.15% and 72.92%, respectively. The results of the study show that the proposed hybrid models are effective in detecting tire problems. In addition, a low-cost and feasible structure is presented.

Benzer Tezler

  1. Transfer learning based facial emotion recognition and action unit detection

    Transfer öğrenme tabanlı yüz ifadesinden duygu tanıma ve eylem birimi tespiti

    SÜLEYMAN ENGİN BAĞLAYİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  2. Multimodal analysis of customer reviews by transfer learning

    Transfer öğrenme ile müşteri yorumlarinin çoklu model analizi

    MERVE GÖNENÇAYOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Ekonomi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SENEM KUMOVA METİN

  3. Automatic detection of Alzheimer's disease with transfer learning and image processing techniques

    Transfer öğrenme ve görüntü işleme teknikleri ile Alzheimer hastalığının otomatik tespiti

    ATILAY YEŞİLADA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OSMAN GÖKALP

  4. Comparison of pretrained transfer learning models on face-mask detection

    Yüz maskesı tespıtınde önceden eğıtılmış transfer öğrenme modellerının karşılaştırılması

    SALMA ABDALBAGI ELSIDDIG ALRAID

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YASİN ORTAKCI

  5. Comparative analysis of transfer learning models for skin cancer detection and prediction of potential skin diseases

    Cilt kanseri tespiti ve potansiyel cilt hastalıklarının tahminine yönelik transfer öğrenme modellerinin karşılaştırmalı analizi

    HASAN AL SHATER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yapay Zeka ve Veri Bilimi Ana Bilim Dalı

    Prof. Dr. ALİ OKATAN