Yazar "AÇIKGÖZ, Hakan" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe 10- (589-600) Elektrolüminesans Görüntülerde Arızalı Fotovoltaik Panel Hücrelerin Evrişimli Sinir Ağı ile Otomatik Sınıflandırılması(2022) AÇIKGÖZ, Hakan; Korkmaz, DenizFotovoltaik (FV) panel hücrelerindeki arızaların tespiti ve sınıflandırılması güneş enerjisi santrallerinin verimli ve güvenilir bir şekilde işletilebilmesi için oldukça önemli bir konu haline gelmiştir. Bu çalışmada, FV panel hücrelerindeki arızaların hızlı ve doğru bir şekilde tespit edilmesi ve sınıflandırılması için etkin bir evrişimli sinir ağı (ESA) modeli önerilmiştir. Önerilen model, daha az parametre ve model boyutuna sahip SqueezeNet ile transfer öğrenme yaklaşımı kullanılarak geliştirilmiştir. Eğitim yakınsamasını iyileştirmek ve sınıflandırma başarımını arttırmak için modelin aktivasyon fonksiyonları değiştirilerek ateşleme modüllerinden atlama bağlantıları oluşturulmuştur. Deneylerde, Elektrolüminesans (EL) görüntülerinden elde edilen bir veri seti kullanılmıştır. Sınıf dağılımının dengesizliğini gidermek ve örnek sayısını arttırmak için veri artırma teknikleri uygulanmıştır. Önerilen yöntemin performansı AlexNet, ShuffleNet, GoogLeNet ve SqueezeNet gibi ön eğitimli ESA mimarileri ile karşılaştırılmıştır. Gerçekleştirilen deneysel çalışmalarda önerilen yöntemin doğruluk, kesinlik, duyarlılık, özgüllük ve F1-skor değerleri sırasıyla %91.29, %84.21, %89.72, %92.04 ve %86.88 olarak elde edilmiştir. Ayrıca önerilen yöntem diğer yöntemlerin doğruluk ölçütündeki değerlerini %0.99 ile %6.29 arasında iyileştirmiştir. Elde edilen tüm sonuçlar analiz edildiğinde önerilen yöntemin FV panel hücrelerindeki arızaların tespitinde üstün bir performansa sahip olduğu gözlemlenmiştir.Öğe Classification of Hotspots in Photovoltaic Modules with Deep Learning Methods(2022) AÇIKGÖZ, Hakan; Korkmaz, Deniz; DANDIL, ÇiğdemSolar energy systems are increasing their capacity in the energy industry day by day by operating with higher efficiency in parallel with technological developments. The functional operation of photovoltaic (PV) module contributes greatly to the optimal performance of these systems. On the other hand, detection and classification of faults occurring in PV modules are of vital importance in the operation and maintenance of solar energy systems. In this study, the classification of hotspots, which is one of the most common faults in Photovoltaic (PV) modules, is carried out by deep learning methods. First, data augmentation is applied to the images in the training dataset to improve the classification performance. Then, pre-trained deep learning models namely AlexNet, GoogLeNet, ShuffleNet, SqueezeNet, ResNet-50, and MobileNet-v2 are compared on the same test dataset. According to the obtained experimental results, AlexNet has the best performance with an accuracy value of 98.65%, while ResNet-50 provides the worst result with 94.59%.Öğe MEKANSAL PİRAMİT HAVUZLAMA TABANLI EVRİŞİMLİ SİNİR AĞI İLE OTOMATİK DRONE SINIFLANDIRMA(2022) Korkmaz, Deniz; AÇIKGÖZ, HakanHava sahalarının önemli olduğu bölgelerde dronları tespit etmek zorlu bir konu haline gelmiştir. Bu insansız hava araçlarının kontrolsüz uçuşları ve konuşlanmaları da istenmeyen bölgelerde çeşitli güvenlik sorunlarına sebep olur. Bu çalışmada, dronları kuşlardan ayırarak etkili bir şekilde sınıflandırabilmek için bir evrişimli sinir ağı (ESA) modeli önerilmiştir. Önerilen model, ön eğitimli AlexNet ile mekansal piramit havuzlama (MPH) yapısı kullanılarak tasarlanmıştır. Böylece, ağın evrişimsel katmanlarından gelen yerel öznitelikler birleştirerek ağın nesne özelliklerini daha kapsamlı bir şekilde öğrenmesi sağlanmış ve önerilen modelin sınıflandırma performansı artırılmıştır. Ayrıca, eğitim görüntülerinde çevrimdışı veri artırma tekniği uygulanarak örnek sayısı artırılmıştır. Önerilen yöntemin performansı AlexNet, ShuffleNet, GoogLeNet ve DarkNet gibi sıklıkla kullanılan ön eğitimli ESA mimarileri ile karşılaştırılmıştır. Gerçekleştirilen deneysel çalışmalarda önerilen yöntemin doğruluk, kesinlik, duyarlılık, özgüllük ve F1-skor değerleri sırasıyla %98.89, %97.83, %100, %97.78 ve %98.90 olarak elde edilmiştir. Çalışmada elde edilen tüm sonuçlar incelendiğinde, önerilen yöntemin farklı ortamlara ait drone görüntülerini kuşlardan ayırarak başarımı yüksek bir şekilde sınıflayabildiğini ortaya koymaktadır.Öğe ZEYTİN YAPRAĞINDAKİ HASTALIKLARIN SINIFLANDIRILMASINDA ÖN EĞİTİMLİ EVRİŞİMLİ SİNİR AĞLARININ PERFORMANSLARININ İNCELENMESİ(2022) DİKİCİ, Bünyamin; Bekçioğulları, Mehmet Fatih; AÇIKGÖZ, Hakan; Korkmaz, DenizZeytin ülkemizin belirli bölgelerinde yetişen oldukça önemli bir üründür. Gümrük ve Ticaret Bakanlığı’nın verilerine göre 2019 yılında yaklaşık 420 bin ton sofralık zeytin üretimi ile dünyadaki toplam üretimin %14’ten fazlası ülkemizde yapılmıştır. Böylece, zeytin yaprağındaki hastalıkların erken teşhisi ve tedavisi üretim kapasitesinin artmasına yol açabilir. Günümüzde birçok alanda olduğu gibi bitki hastalıklarının teşhisi için derin öğrenme algoritmaları yaygın olarak kullanılmaktadır. Bu çalışmada, AlexNet, SqueezeNet, ShuffleNet ve GoogleNet gibi sıklıkla tercih edilen ön eğitimli derin öğrenme ağları ile zeytin yaprağındaki hastalıkların sınıflandırılması gerçekleştirilmiştir. Ağ yapıları, zeytin yaprağındaki hastalıkların etiketlerine göre eğitim için yeniden düzenlenmiştir. Veri setinde, veri çoğaltma işlemi uygulanarak hem ham veri seti hem de çoğaltılmış veri seti için ayrı ayrı performans sonuçları alınmıştır. Elde edilen sonuçlar doğruluk, duyarlılık, özgüllük, kesinlik ve F1-Skor gibi performans ölçütleri ile değerlendirilmiştir. En iyi performans iyileştirmesi %7,56 ile AlexNet’in doğruluk değeri için elde edilirken, en düşük iyileştirme oranı %0,63 ile ShuffleNet’in özgüllük değerinden elde edilmiştir.
