Tez No	İndirme	Tez Künye	Durumu
706172		İki boyutlu sağlık, tarım ve iş güvenliği imgeleri üzerinde sınıflandırma ve nesne tespiti / Classification and object detection on two dimensional health, agriculture, and occupational safety images Yazar:EMİNE CENGİL Danışman: DOÇ. DR. AHMET ÇINAR Yer Bilgisi: Fırat Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Görüntü sınıflandırma = Image classification ; Nesne tanıma = Object recognition	Onaylandı Doktora Türkçe 2022 92 s.
Derin öğrenme teknolojileri, özellikle evrişimsel sinir ağları görüntüler üzerinde sınıflandırma ve nesne tespiti problemlerinde yüksek doğruluk sağlar. Makine öğrenimi ve derin öğrenmeyi kapsayan yapay zekâ biliminin ilerlemesi ile beraber birçok sektörde dijitalleşme başlamıştır. Bunun yanında büyük veri kaynaklarının ulaşılabilir olması, yapay zekâ biliminin ilerlemesine ve akıllı sistemlerin kullanımının yaygınlaşmasına zemin hazırlamıştır. Bu tez çalışması, insan yaşamında birçok sektörde yapay zekânın kullanımının artışına odaklanmaktadır. Bu kapsamda üç farklı sektörde kullanılmak üzere yöntemler önerilmiştir. İlk çalışmada, domates yapraklarından hastalık tespitini gerçekleştirmek amacıyla derin öğrenme tabanlı bir yaklaşım sunulmaktadır. İkinci çalışmada, X-ray görüntüleri kullanılarak ilgili görüntünün Covid-19, normal veya zatürre olarak sınıflandırılması sağlanmaktadır. Sınıflandırmayı gerçekleştirmek için CNN tabanlı hibrit bir yöntem önerilmektedir. Son çalışmada ise başta inşaat alanları olmak üzere, iş güvenliğinin sağlanması adına baret takma durumunun tespit edilmesi için bir nesne bulma yaklaşımı ele alınmaktadır. Bu yaklaşım, bilinen tek adımlı nesne bulma algoritması Yolov5 esas alınarak önerilmektedir. Tez kapsamında geçekleştirilen uygulamaların her biri, bir veya daha fazla açık erişimli veri kümesi ile doğrulanmıştır. Önerilen yöntemlerde evrişimsel sinir ağları esas alınmış ve başarılı sonuçlar elde edilmiştir. Yöntemlerin iyileştirilmesi konusunda spesifik verilerle yapılan uygulamalar ile literatüre katkıda bulunulmuştur. Önerilen yöntemleri gerçekleştirmek için matlab ve python gibi yazılım araçlarından yararlanılmıştır. Kullanılan metrikler ile sınıflandırma ve nesne bulma başarımları değerlendirmiştir. Ayrıca önerilen yöntemler literatürdeki benzer çalışmalar ile kıyaslanmıştır.
Deep learning technologies, especially convolutional neural networks, provide high accuracy in classification and object detection on images. Digitalization has begun in many areas with the progress of artificial intelligence, which includes machine learning and deep learning. In addition, the availability of big data sources has paved the way for the improvement of artificial intelligence and the widespread use of smart systems. This dissertation study focuses on the increase in the use of artificial intelligence in many sectors of human life. In this context, methods are proposed to be used in three different sections. In the first study section, a deep learning-based approach is presented to perform disease detection from tomato leaves. In the second study section, X-ray images are used to classify the relevant image as Covid-19, normal, or pneumonia. A CNN-based hybrid method is proposed to perform the classification. In the last study section, an object-detection approach is discussed in order to determine the helmet-wearing situation to ensure occupational safety, especially in construction areas. This approach is proposed based on the known one-step object detection algorithm Yolov5. Each of the implemented applications within the scope of the dissertation is validated with one or more open-access datasets. The proposed methods are based on convolutional neural networks and successful results have been obtained. This study made a contribution to the literature with applications made with specific data on the improvement of methods. Software tools Matlab, and python was used to implement the proposed methods. Classification and object detection performances were evaluated via used the metrics. Moreover, the proposed methods were compared with similar studies in the literature.