Ahmet Nusret Toprak

Raylı sistemlerde tekerlek yüzeyinde oluşan apleti arızaları, dinamik darbe yüklerini artırarak işletme güvenilirliğini ve bakım süreçlerini olumsuz etkilemektedir. Bu çalışmada, operasyonel ve meteorolojik değişkenler kullanılarak apleti arızalarının erken tahminine yönelik açıklanabilir bir makine öğrenmesi yaklaşımı geliştirilmiştir. Kayseri raylı sistem işletmesinden 2015–2024 döneminde elde edilen veriler birleştirilerek 1562 gözlemden oluşan bir veri seti hazırlanmıştır. Lojistik Regresyon, Karar Ağacı, Rastgele Orman, Destek Vektör Makineleri, K-En Yakın Komşu ve XGBoost algoritmaları karşılaştırılmıştır. Sınıf dengesizliğinin etkisini değerlendirmek amacıyla SMOTE, Tomek Bağları ve rastgele aşağı örnekleme yöntemleri uygulanmıştır. Optuna ile hiperparametre optimizasyonu gerçekleştirilmiş, veri sızıntısını önlemek için örnekleme işlemleri iç içe çapraz doğrulamanın yalnızca eğitim katlarında yürütülmüştür. Tekil modeller arasında Rastgele Orman, 0,8758 doğruluk ve 0,8118 F1-skor ile öne çıkmıştır. Rastgele Orman ve XGBoost modellerini birleştiren katı oylama yaklaşımı 0,8828 doğruluk, 0,8984 kesinlik ve 0,8182 F1-skor sağlamıştır. SHAP analizi, yılın günü, teker çapı değişimi ve yılın haftasının tahminlerde belirleyici olduğunu göstermiştir. Bulgular, mevcut işletme kayıtlarının açıklanabilir arıza tahmini ve bakım kararlarının desteklenmesi amacıyla kullanılabileceğini ortaya koymaktadır. Böylece ek sensör altyapısına bağımlı olmayan, saha verilerine dayalı ve bakım planlamasına uyarlanabilecek sürdürülebilir bir karar destek çerçevesi sunulmaktadır.

In this study, a conveyor belt-based prototype system was developed to create a data set by imaging surface deformations that may occur during the production process of solid aluminum conductors. The system operates using a high-resolution camera integrated into a vision inspection box with controlled lighting and an adjustable viewing angle, capable of capturing images at a resolution of 1280×1024 pixels at a rate of 60 frames per second. The images were collected on the conveyor belt moving at a constant speed, thereby ensuring continuity in image quality. With the developed prototype, a total of 1.600 images were collected and manually labeled as examples of three different defect types. The obtained dataset was organized in a way that will enable the detection and classification of surface defects such as pitting, embossing, and scalping using deep learning algorithms in subsequent stages. In this respect, the study provides the visual data infrastructure necessary for real-time artificial intelligence applications in aluminum conductor production. The prototype was designed using low-cost and easily obtainable hardware and offers a modular system that can be integrated into production lines. The main contribution of this study includes the development of a prototype system that operates under conditions suitable for real production environments. This system is equipped with automated image acquisition capabilities, ensuring consistent and scalable data collection. Additionally, this study provides a new dataset for detecting surface deformations in aluminum conductors. The developed infrastructure aims to form the basis for artificial intelligence-based solutions for industrial quality control systems.

Image splicing, particularly inserting individuals into scenes, presents significant challenges for detecting image forgery. This paper introduces SPDNet, a two-stage deep learning framework for detecting spliced persons. The first stage segments all person instances using a PointRend-based model, while the second stage analyzes each instance using a two-channel, four-stream architecture that fuses RGB and SRM noise features via EfficientNet-B4 backbones and Squeeze-and-Excitation modules. We evaluated SPDNet on the DSO-1 and OIS datasets as well as our newly introduced SPD Evaluation dataset, comparing it against eight state-of-the-art image splicing detection models. Experimental results show that SPDNet outperforms existing methods in both accuracy and localization of spliced individuals, demonstrating strong potential for person-level image forensics.

Son yıllarda, dünya genelinde cilt kanseri görülme oranında önemli bir artış gözlemlenmektedir. Cilt kanserinin zamanında ve doğru bir şekilde teşhis edilmesi, tedavi başarı oranlarını artırmakta ve aynı zamanda hastaların yaşam kalitesinin iyileşmesine büyük katkı sağlamaktadır. Geleneksel cilt kanseri tanı yöntemleri genellikle görsel değerlendirmelere dayanmakta ve öznel bir yaklaşım içermektedir. Bununla birlikte, derin öğrenme algoritmaları, cilt kanseri teşhislerinin doğruluğunu ve verimliliğini artırmak için etkili çözümler sunmaktadır. Bu çalışmada, EfficientNet, VGG, Inception, DenseNet ve DarkNet gibi gelişmiş Evrişimsel Sinir Ağı (CNN) modellerinin cilt kanseri sınıflandırmasındaki performansları incelenmiştir. Toplamda yirmi bir CNN modeli, ISIC 2017 veri seti üzerinde, veri artırma ve transfer öğrenme teknikleri kullanılarak eğitilmiş ve detaylı bir şekilde değerlendirilmiştir. Deneysel sonuçlar, EfficientNet-b0 modelinin %84.00 doğruluk, %83.63 kesinlik, %74.96 duyarlılık ve %78.59 F1-skoru ile en yüksek performansı sergilediğini göstermiştir. Bu kapsamlı analiz, CNN tabanlı modellerin cilt kanseri teşhisindeki etkinliğini göstermekte ve gelecekteki araştırmalar için bu algoritmaların potansiyelini ortaya koymaktadır.