Hibrit bir derin öğrenme modeli kullanılarak görüntülerden hava durumu sınıflandırması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Van Yüzüncü Yıl Üniversitesi, Fen Bilimleri Enstitüsü, YAPAY ZEKA VE ROBOTİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: CELAL EROĞLU
Danışman: Emre Biçek
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.