Hibrit bir derin öğrenme modeli kullanılarak görüntülerden hava durumu sınıflandırması
Weather classification from images using a hybrid deep learning model
- Tez No: 946204
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE BİÇEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Derin evrişimli sinir ağları günümüzde görüntü tanıma ve sınıflandırma alanında yaygın olarak kullanılmaktadır. Görüntü tanıma için kullanılan bu mimarilerde yer alan evrişim katmanları sayesinde, görüntüler üzerinde bulunan öznitelikler kendiliğinden ortaya çıkmakta ve bu öznitelikler aracılığıyla sınıflandırma işlemi yapılmaktadır. Farklı mimarilere ait evrişim katmanları bazı özellikleri ön plana çıkarırken, bazı bilgilerin yitirilmesine neden olabilmektedir. Bu durum, görüntü işleme alanında sürekli araştırma yapılmasını zorunlu kılmaktadır. Çalışmaların bir bölümü yeni mimarilerin geliştirilmesine odaklanırken, bazı çalışmalar mevcut modellerden hibrit yapılar oluşturmayı hedeflemektedir. Görüntü işleme günümüzde pek çok alanda etkin biçimde kullanılmaktadır. Bu alanlardan biri de otonom araç geliştirme sürecidir. Otonom araçlarda sürüş güvenliği açısından hava durumu önemli bir faktördür. Derin evrişimli sinir ağları kullanılarak aracın aldığı görüntüler üzerinden hava durumu tespiti yapılabilir. Bu çalışmada, hava durumunu gösteren görüntülere ait bir veri kümesi üzerinde sınıflandırma işlemi gerçekleştirilmiştir. Çalışmanın özgünlüğü adına, mevcut mimari modellerden iki hibrit model türetilmiştir. Hibrit modellerin tasarımında, sınıflandırmada sıkça tercih edilen VGG19, ResNet152V2, MobileNetV2, NASNetMobile ve InceptionV3 modelleri özellik çıkarımı amacıyla kullanılmıştır. Elde edilen öznitelikler LSTM ağı ve tam bağlantılı ağ ile sınıflandırılmış; en yüksek başarı oranları sırasıyla LSTM ağı için %94.47 ve tam bağlantılı ağ için %94.76 olarak ölçülmüştür. Elde edilen sonuçlar, hibrit modelin etkinliğini ortaya koymaktadır.
Özet (Çeviri)
Deep convolutional neural networks are widely used today in the fields of image recognition and classification. In these architectures employed for image recognition, convolutional layers autonomously extract features from images, and classification is carried out using these features. While the convolutional layers of different architectures may highlight certain features, they may also lead to the loss of other information. This situation necessitates ongoing research in the field of image processing. While some studies focus on developing new architectures, others aim to create hybrid structures by combining existing models. Image processing is actively used in many fields today. One of these areas is the development of autonomous vehicles. Weather conditions are a crucial factor for driving safety in autonomous vehicles. Using deep convolutional neural networks, it is possible to detect weather conditions from the images captured by the vehicle. In this study, a classification task was conducted on a dataset consisting of images representing various weather conditions. To ensure the originality of the study, two hybrid models were derived from existing architectural models. In designing the hybrid models, popular architectures such as VGG19, ResNet152V2, MobileNetV2, NASNetMobile, and InceptionV3 were used for feature extraction. The extracted features were classified using both an LSTM network and a fully connected network. The highest classification accuracies were measured as %94.47 for the LSTM network and %94.76 for the fully connected network. These results demonstrate the effectiveness of the proposed hybrid model.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Radar target detection using improved transformer neural networks
Geliştirilmiş transformer sinir ağları ile radar hedef tespiti
SENA ÇAYBAŞI
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA