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: 51
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
- Kendi kendine denetimli öğrenme tabanlı Türkçe konuşma tanıma sistemi
Self-supervised learning based Turkish speech recognition system
ALP KAAN TURAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT
- Derin öğrenme ile görüntülerde bulanıklık giderme
Image deblurring with deep learning
BURAK TÜRÜDÜ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- 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
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Yapay zekâ algoritmaları ile ulusal orman envanteri modelinin geliştirilmesi: İstanbul Orman Bölge Müdürlüğü örneği
Development of national forest inventory model using artificial intelligence algorithms: A case study of Istanbul Regional Directorate of Forestry
ERGİN ÇAĞATAY ÇANKAYA
Doktora
Türkçe
2025
Ormancılık ve Orman MühendisliğiBursa Teknik ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. TURAN SÖNMEZ
- Vision transformer network implementation for multi-label image classification
Çoklu etiketli görüntü sınıflandırması için görüntü dönüştürücü ağ uygulaması
EMRE AKKAŞ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY