Implementation of a multi-modal deep learning model for information extraction and prediction utilizing bridge benchmark sensor data
Köprü karşılaştırma sensörü verilerini kullanarak bilgi çıkarma ve tahmin için çok modlu derin öğrenme modelinin uygulanması
- Tez No: 893209
- Danışmanlar: PROF. DR. MEHMET RAŞİT ESKİCİOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yıllar boyunca, bir köprünün sağlığını kontrol etmek için birçok teknik ve strateji test edilmiştir. Ancak, bir köprünün benzersiz doğası nedeniyle, sorunu geleneksel yaklaşımlarla modellemek sıkıcı ve çok zaman alıcı hale gelir. Bu makalede, Köprü Sağlığı İzleme'yi (BHM) iyileştirmeye yardımcı olmak için derin öğrenme ve makine öğrenimi tekniklerini kullanmaya ve bunu Destek Vektör Makineleri (SVM) ve rastgele orman gibi bazı makine öğrenimi algoritmalarıyla karşılaştırmaya çalışıyoruz. Bu makale için kullanılan veri kümesi, Manitoba Üniversitesi öğretim görevlileri tarafından kaydedilmiş olup, bir köprünün dört kirişine yerleştirilen sensörler tarafından kaydedilen 3376 kamyon görüntüsü örneği ve bunlara karşılık gelen gerinim verilerinden oluşmaktadır. Amaç, kamyonların aks sayısını görüntülerine ve kaydedilen gerinim verilerine dayanarak tahmin etmektir. Model, aşırı örnekleme ve odak kaybı olmadan 7 kamyon sınıfında %11,99 f1 puanı elde ederken %43,5 doğruluk elde ederken, odak kaybı ve temel aşırı örnekleme ile %50,13 doğruluk ve %46,22 f1 puanı elde etti. Aşırı örneklemeli SVM ve rastgele orman ise sırasıyla %15,48 ve %19,08 doğruluk ve %14,27 ve %17,49 f1 puanı elde etti.
Özet (Çeviri)
Throughout the years, many techniques and strategies have been tested to control the health of a bridge. However, due to the unique nature of a bridge, modeling the problem with the conventional approaches becomes tedious and heavily time consuming. In this paper, we try to bring deep learning and machine learning techniques to help improve Bridge Health Monitoring (BHM) and compare it to some machine learning algorithms such as Support Vector Machines (SVM) and random forest. The dataset used for this study has been recorded by the faculty staff of the University of Manitoba, consisting of 3376 samples of truck images and their corresponding strain data recorded by the sensors installed on four girders of a bridge. The aim is to predict the number of axles of trucks based on their image and recorded strain data. The model achieved 43.5% accuracy while achieving 11.99% f1-score across 7 classes of trucks without oversampling and focal loss while achieving 50.13% accuracy and 46.22% f1-score with focal loss and basic oversampling while SVM and random forest with oversampling achieved 15.48% and 19.08% accuracy and 14.27% and 17.49% f1-score respectively.
Benzer Tezler
- Novel deep learning algorithms for multi-modal medical image synthesis
Çok-kipli tıbbi görüntü sentezi için yeni derin öğrenme algoritmaları
ONAT DALMAZ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA ÇUKUR
- Multi-label classification of 12-lead ECG signal using a mixture-of-experts transformer model
Uzmanların karışımı bazlı dönüştürücü modeli ile 12 kanallı EKG sinyalinin çok etiketli sınıflandırılması
ATALAY ÇELİK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Implementation and assessment of machine learning methods for multidisciplinary aerospace problems
Makine öğrenmesi yöntemlerinin çok disiplinli hava-uzay problemlerine uygulanması ve değerlendirilmesi
DİLAN KILIÇ
Yüksek Lisans
İngilizce
2023
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. MELİKE NİKBAY
- Derin öğrenme tekniğinin yeni nesil sekanslama deneylerinde uygulanması
Implementation of deep learning technique on next generation sequence data experiments
SU ÖZGÜR
Doktora
Türkçe
2021
GenetikEge ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
PROF. DR. MEHMET NURULLAH ORMAN
- Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma
Multi-class classification for skin lesions using deep learning techniques
ÜMMÜHAN KOPAL
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI