Yazar "Karadeniz, Alper Talha" seçeneğine göre listele

Listeleniyor 1 - 8 / 8
  • Küçük Resim Yok
    Öğe
    Classification of walnut dataset by selecting CNN features with whale optimization algorithm
    (Springer, 2024) Karadeniz, Alper Talha; Basaran, Erdal; Celik, Yueksel
    Since many years ago, walnuts have been extensively available around the world and come in various quality varieties. The proper variety of walnut can be grown in the right area and is vital to human health. This fruit's production is time-consuming and expensive. However, even specialists find it challenging to differentiate distinct kinds since walnut leaves are so similar in color and feel. There aren't many studies on the classification of walnut leaves in the literature, and the most of them were conducted in laboratories. The classification process can now be carried out automatically from leaf photos thanks to technological advancements. The walnut data set was applied to the suggested deep learning model. There aren't many studies on the classification of walnut leaves in the literature, and the most of them were conducted in laboratories. The walnut data set, which consists of 18 different types of 1751 photos, was used to test the suggested deep learning model. The three most successful algorithms among the commonly utilized CNN algorithms in the literature were first selected for the suggested model. From the Vgg16, Vgg19, and AlexNet CNN algorithms, many features were retrieved. Utilizing the Whale Optimization Algorithm (WOA), a new feature set was produced by choosing the top extracted features. KNN is used to categorize this feature set. An accuracy rating of 92.59% was attained as a consequence of the tests.
  • Küçük Resim Yok
    Öğe
    Classification of walnut varieties obtained from walnut leaf images by the recommended residual block based CNN model
    (Springer, 2023) Karadeniz, Alper Talha; Celik, Yuksel; Basaran, Erdal
    Walnuts are widely used, although they come in a variety of types and qualities. It is essential to choose the correct walnut variety with the necessary ecological characteristics to continue the production of walnut fruit, which has positive benefits on human health. Because planting a walnut garden is expensive and the harvesting process takes a while. However, since the colour and feel of walnut leaves are so similar, it can be challenging to tell them apart. Experts must devote a significant amount of time to differentiating walnut kinds, and morphological tests should be conducted. There are different studies in the literature for walnut variety differentiation. Nevertheless, those are studies conducted with the classification of a small number of walnut varieties or laboratory experiments. With the advancement of technology, deep learning techniques based on computers are now routinely utilized for leaf recognition. These technologies enable significant reductions in error rates, time saves, and cost. With a total of 1751 leaf pictures collected from 18 species of walnuts, a special walnut dataset was constructed for this study in order to identify walnut types from walnut leaves. To automatically classify the provided dataset, images are trained with residual block-based convolutional neural network architectures. Following the discovery of each image's deep features, the Atom Search Optimization algorithm was used to choose the most distinctive characteristics. Support vector machines (SVM) were used to classify walnut species with the new feature set created. The experimental studies of the proposed model based on Residual block and Atom Search optimization successfully categorised the walnut dataset with an accuracy rating of 87.42%.
  • Küçük Resim Yok
    Öğe
    Identification of walnut variety from the leaves using deep learning algorithms
    (2023) Karadeniz, Alper Talha; Başaran, Erdal; Çelik, Yüksel
    In order to determine the variety from walnut leaves, each leaf must be examined in detail. Species that are very similar in color and shape to each other are very difficult to distinguish with the human eye. Examining and classifying plant leaves belonging to many classes one by one is not appropriate in terms of time and cost. Studies on walnut varieties in the literature are generally classified as a result of experimental studies in the laboratory environment. There are two or three different classes in studies using walnut leaf images. In this study, firstly, a unique walnut dataset obtained from 1751 walnut leaf images obtained from 18 different walnut varieties was created. Classification was made using deep learning methods on the original walnut dataset. It has been tested with CNN models, which are widely used in the literature, and some performance metrics are recorded and the results are compared. The images were first preprocessed for cropping, denoising and resizing. Classification was made using CNN models on the original dataset and augmented dataset with data augmentation method. It was seen that the VGG16 CNN model gave the best results both in the original dataset and the augmented dataset. In this model, the accucarcy result found with the original data set was 0.8552, while the accuracy result in the enhanced data set was 0.9055. When the accuracy values are examined, it is seen that walnut varieties are classified successfully.
  • Küçük Resim Yok
    Öğe
    Son üç yılda geliştirilen metasezgisel algoritmalar hakkında kısa bir inceleme
    (2019) Çelik, Yüksel; Yıldız, İlker; Karadeniz, Alper Talha
    Optimizasyon bir problemin olabilecek farklı çözümleri arasından en iyi sonucu verenin bulunmasıdır. Optimizasyon problemlerininçözümünde birçok algoritma kullanılmaktadır. Optimizasyon algoritmaları genel olarak sezgisel optimizasyon algoritmaları vematematiksel optimizasyon algoritmaları olarak ikiye ayrılmaktadır. Matematiksel optimizasyon algoritmaları, tüm çözüm kümesinitarayarak çözüme ulaşmayı amaçlarken, sezgisel optimizasyon algoritmaları ise, çözüm kümesine sezgisel olarak yaklaşmakta ve eniyi çözüme yada en iyiye yakın bir çözüme ulaşmayı amaçlamaktadır. Çözüm kümesi geniş olan problemlerde matematikseloptimizasyon algoritmalarının kullanımı maliyetlidir. Bu tip problemlerin çözümünde, sezgisel optimizasyon algoritmaları dahaavantajlı olup daha fazla tercih edilmektedir. Bir optimizasyon algoritmasının her tür problem veya test fonksiyonu üzerinde başarılıolması beklenemez. Bu nedenle hangi tür problemin hangi algoritma ile daha iyi çözüldüğünün belirlenmesi gerekmektedir.Günümüzde temel sezgisel metotların birleşerek etkili kullanımı sonucunda Metasezgisel isimli algoritmalar geliştirilmiştir. Bualgoritmalar, yüksek seviyeli çalışma ortamında, verimli arama işlemleri kullanarak çözüm uzayındaki optimum çözüme daha hızlışekilde ulaşmaktadır. Metasezgisel optimizasyon tekniklerinin kullanımının yaygın olması nedeniyle, günümüzde birçok yenimetasezgisel optimizasyon algoritmaları önerilmektedir. Önerilen bu algoritmalar üzerinde geliştirmeler ve hibrit çalışmalar dayapılmaktadır. Bu çalışmada, literatürde son üç yılda (2017-2019) önerilmiş olan, Harris Hawks Optimizasyon Algoritması (HHO),Satin Bowerbird Optimizasyon Algoritması (SBO), Optimal Foraging Algoritması (OFA), Butterfly Optimizasyon Algoritması(BOA), Pity Beetle Algoritması (PBA) ve Collective Decision Optimizasyon Algoritması (CDOA) ele alınmıştır. Geliştirilen bu yenioptimizasyon algoritmalarının esinlendikleri alan, çalışma mantıkları ve arama stratejileri incelenerek sunulmuştur. Gerçekleştirilenbu derlemenin metasezgizel optimizasyon problemleri alanında yapılacak olan çalışmalara ışık tutacağı düşünülmektedir.
  • Küçük Resim Yok
    Öğe
    Trafik ışık optimizasyon sistemlerinin karşılaştırılması
    (Karabük Üniversitesi, 2016) Karadeniz, Alper Talha; Çelik, Yüksel
    Trafik sistemi çok sayıda akıllı bileşenin (sinyaller, araçlar, sensorlar ve yayalar)yerel düzeyde birbirleriyle iletişimi olan üst düzeylerde ortak davranışlar sergileyen, karmaşık bir sistemdir. Şehirlerde trafik kavşaklarında yetersiz trafik ışığı kontrol sistemlerinin doğal sonucu olarak gereksiz gecikmeler ve zaman kayıpları, ışıklarda rölantide çalışan motorun fazla yakıt yakması ve atmosfere salınan sera gazı emisyonlarının artmasına sebep olmaktadır. Yukarıda bahsedilen trafik problemlerini gidermek için birçok sistem geliştirilmiş ve geliştirilmeye devam etmektedir. Trafik optimizasyon sistemleri için geliştirilen yöntemlerden başlıcaları, önceden süreleri belirlenen sabit zamanlı ışık sistemleri, yeşil dalga ışık sistemleri ve gerçek zamanlı trafik ışık optimizasyon sistemleridir. Bizim yaptığımız çalışmada yukarıda bahsedilen bu sistemlerin, Karabük – Safranbolu güzergahında, farklı yoğunluklarda, gerçek veriler üzerinde testler yapılmıştır. Yapılan bu testler sonucunda gerçek zamanlı trafik ışık optimizasyon sistemlerinin sabit zamanlı ve yeşil dalga ışık sistemlerinden daha iyi sonuçlar verdiği görülmektedir.
  • Küçük Resim Yok
    Öğe
    Urban traffic optimization with real time intelligence intersection traffic light system
    (2018) Çelik, Yüksel; Karadeniz, Alper Talha
    These instructions give you guidelines for preparing papers for IJISAE. Use this document as a template if you are usingMicrosoft Word 2007 or later. Otherwise, use this document as an instruction set. Paper titles should be written in uppercase and lowercaseletters, not all uppercase. Avoid writing long formulas with subscripts in the title; short formulas that identify the elements are fine (e.g.,\"Nd–Fe–B\"). Do not write “(Invited)” in the title. Full names of authors are preferred in the author field, but are not required. Put a spacebetween authors’ initials. The abstract must be a concise yet comprehensive reflection of what is in your article. In particular, the abstractmust be self-contained, without abbreviations, footnotes, or references. It should be a microcosm of the full article. The abstract must bebetween 150–250 words. Be sure that you adhere to these limits; otherwise, you will need to edit your abstract accordingly. The abstractmust be written as one paragraph, and should not contain displayed mathematical equations or tabular material. The abstract should includethree or four different keywords or phrases, as this will help readers to find it. It is important to avoid over-repetition of such phrases asthis can result in a page being rejected by search engines. Ensure that your abstract reads well and is grammatically correct.
  • Küçük Resim Yok
    Öğe
    Whale optimization algorithm for numerical constrained optimization
    (2020) Çelik, Yuksel; Karadeniz, Alper Talha
    Whale Optimization Algorithm (WOA), WOA is a recently developed, nature-inspired, meta-heuristic optimization algorithm. The algorithm was developed in 2016, inspired by bubble hunting strategies used by humpback whales. To determine the performance of each optimization algorithm developed, they should be tested on a different type of optimization test problems. In this paper, we aim to investigate and analyse WOA logarithm on constrained optimization the performance and accuracy of the proposed method are examined on 13 (G1-G13) constrained numerical benchmark functions, and the obtained results are compared with other meta-heuristic optimization algorithms which taken from the literature. The experimental results show that WOA has low performance on constrained optimization.
  • Küçük Resim
    Öğe
    YAPRAK GÖRÜNTÜLERİNİ KULLANARAK DERİN ÖĞRENME İLE CEVİZ TÜRLERİNİN BELİRLENMESİ
    (2023-02) Karadeniz, Alper Talha
    Ceviz meyvesi cins, kalite olarak birbirinden farklılık göstermektedir ve geniş bir kullanım alanına sahiptir. İnsan sağlığı üzerine olumlu etkileri olan ceviz meyvesinin üretiminin devam etmesi için uygun ekolojik özelliğe sahip doğru ceviz çeşidinin seçilmesi oldukça önemlidir. Çünkü ceviz bahçesinin kurulması maliyetlidir ve hasat alma süresi de uzundur. Ancak birbirine renk ve doku olarak birbirine çok benzeyen ceviz yapraklarından çeşit ayrımının yapılması zordur. Uzmanlar tarafından ceviz çeşit ayrımının yapılması ciddi zaman gerektirir ve morfolojik testler yapılmalıdır. Ceviz çeşit ayrımı için literatürde yapılmış farklı çalışmalar mevcuttur. Ancak bu çalışmalar az sayıda ceviz çeşidinin sınıflandırılması veya laboratuvar deneyleri ile yapılan çalışmalardır. Günümüzde teknolojinin gelişmesi ile birlikte bilgisayar temelli derin öğrenme metotları yaprak tanımada sıklıkla kullanılmaktadır. Bu teknolojiler sayesinde zaman ve maliyet açısından kazanç sağlanmakta ayrıca hata oranı da oldukça azalmaktadır. Bu tez çalışmasında öncelikle literatüre ceviz yapraklarından ceviz türlerinin belirlenmesi için 18 farklı çeşit cevizden alınan toplam 1751 yaprak görüntüsü ile özgün bir ceviz veri seti kazandırılmıştır. Oluşturulan veri setini otomatik olarak sınıflandırabilmek için farklı derin öğrenme modelleri önerilmiştir. Sınıflandırma başarasının ölçülmesi için yapılan deneysel testler hem özgün veri seti ile hemde yapılan ön işleme ve veri arttırma yöntemleri ile oluşturulan veri setleri ile yapılmıştır. İlk deneysel testler literatürde yer alan popüler evrişimsel sinir ağları ile yapılmıştır. Sonrasında bu sonuçlar önerilen derin öğrenme modellerinin test sonuçları ile karşılaştırılmıştır. Önerilen ilk modelde arttırılmış veri setinin Vgg16 ile Gradcam görüntüleri üretildikten sonra yine Vgg16 ESA algoritması ile sınıflandırılmıştır. Deneysel testler sonucunda %77.11 başarı oranı elde edilmiştir. Önerilen bir sonraki modelde MobilnetV2, SequizeNet ve GLCM ile özellik çıkarılarak bir öznitelik havuzu oluşturulmuştur. Bu özniteliklerden en iyileri Ki-Kare yöntemi ile seçilmiş ve DVM ile sınıflandırılmıştır. Deneysel testler sonucunda %84.75 başarı oranı elde edilmiştir. Önerilen bir sonraki modelde residual blok tabanlı ResNet modelleri kullanılarak yeni bir derin öğrenme mimarisi hazırlanmıştır. Bu modelde ResNet18, ResNet50 ve ResNet101 modellerinden öznitelikler çıkarılmıştır. Bu özniteliklerden en iyileri Atom Arama Optimizasyon algoritması (AAO) ile seçilmiştir. Seçilen öznitelikler DVM’ nin lineer, quadratik ve cubic çekirdekleri ile sınıflandırılmıştır. Deneysel testlerin güvenliğinin sağlanması için 5- parçalı doğrulama yapılmış ve %87.42 doğruluk sonucu elde edilmiştir. Önerilen son modelde %92.59 başarı oranına ulaşılarak, tüm ESA algoritmaları ve önerilen modeller içinden en yüksek doğruluk sonucu elde edilmiştir. Bu tez çalışmasında, özgün bir ceviz veri seti literatüre kazandırılarak, yeni önerilen bir derin öğrenme modeli ile %92.59 doğruluk oranı ile sınıflandırılması sağlanmıştır.