Engin Esme

Automated threat detection in X-ray security imagery is a critical yet challenging task, where conventional deep learning models often struggle with low accuracy and overfitting. This study addresses these limitations by introducing a novel framework based on feature fusion. The proposed method extracts features from multiple and diverse deep learning architectures and classifies them using a Random Weight Network (RWN), whose hyperparameters are optimized for maximum performance. The results show substantial improvements at each stage: while the best standalone deep learning model achieved a test accuracy of 83.55%, applying the RWN to a single feature set increased accuracy to 94.82%. Notably, the proposed feature fusion framework achieved a state-of-the-art test accuracy of 97.44%. These findings demonstrate that a modular approach combining multi-model feature fusion with an efficient classifier is a highly effective strategy for improving the accuracy and generalization capability of automated threat detection systems.

Utilizing modern deep learning techniques for image processing and data classification holds immense promise for yielding significant outcomes. Consequently, deep learning-based approaches have demonstrated successful applications in agricultural contexts, particularly in tasks such as image classification and data analysis. This study focuses on classifying agricultural crop images, which often bear close resemblance, employing 17 distinct deep learning models and dynamic voting. Initially, the paper provides a concise overview of the dataset and the deep learning methodologies employed. Subsequently, the training and testing phases are carried out effectively. The dataset comprises a total of 804 images depicting five different types of crops: jute, maize, rice, sugarcane, and wheat. To ensure robustness, 10-fold cross-validation is employed, and experiments are conducted consistently across all models using the same sample sets. The results obtained report which models can more accurately detect and classify agricultural crop images. Further, the proposed ensemble approach improves accuracy and ensures greater robustness and stability. According to the experimental findings, Shufflenet achieved the highest individual accuracy of 98.63% on the test set, but the ensemble approach increased this value to 99.75%.

The application of deep learning-based intelligent systems for X-ray imaging in various settings, including transportation, customs inspections, and public security, to identify hidden or prohibited objects are discussed in this study. In busy environments, x-ray inspections face challenges due to time limitations and a lack of qualified personnel. Deep learning algorithms can automate the imaging process, enhancing object detection and improving safety. This study uses a dataset of 5094 x-ray images of laptops with hidden foreign circuits and normal ones, training 11 deep learning algorithms with the 10-fold cross-validation method. The predictions of deep learning models selected based on the 70% threshold value have been combined using a meta-learner. ShuffleNet has the highest individual performance with 83.56%, followed by InceptionV3 at 81.30%, Darknet19 at 78.92%, DenseNet201 at 77.70% and Xception at 71.26%. Combining these models into an ensemble achieved a remarkable classification success rate of 85.97%, exceeding the performance of any individual model. The ensemble learning approach provides a more stable prediction output, reducing standard deviation among folds as well. This research highlights the potential for safer and more effective X-ray inspections through advanced machine learning techniques.

Bütünleme sınavları ara sınavlar ve genel sınavlar neticesinde dersi başaramayan öğrencilerin katıldığı bir sınavdır ve ülkemizde birçok üniversite tarafından uygulanmaktadır. Her ne kadar dersi başaramayan öğrencilerin bu sınavlara katılacağı varsayılsa da öğrencilerin bir kısmı çeşitli içsel (ara sınav notunun çok düşük olması, dersi öğrenme amacıyla yeniden alma isteği, tatil yapma ihtiyacı vb.) ve dışsal motivasyonlarla (memleketi ile üniversite arası mesafe, maddi imkânsızlıklar vb.) bütünleme sınavına katılmamaktadır. Tüm öğrencilerini sınava katılacağı varsayılarak yapılan sınav programları, gözetmen atama ve sınav kâğıdı çoğaltılması gibi süreçler ise maddî israflara neden olmaktadır. Bu çalışmada bütünleme sınavına kalan öğrencilerin bütünleme sınavına katılıp katılmayacağının tespit edilmesi amacıyla aşırı öğrenme makinesi tabanlı bir yaklaşım önerilmiştir. Önerilen yaklaşımda birden fazla aşırı öğrenme makinesi aynı veri setinin belirli bir oranındaki örnekler ile eğitime tabi tutulmuş ve test aşamasında oylama tabanlı bir yaklaşım ile sınıflandırma yapılmıştır. Oylamaya katılacak ELM karar parametrelerinin optimizasyonu ise yapay arı kolonisi algoritması ile sağlanmıştır. Önerilen yöntemlerin eğitimi ve test edilmesi amacıyla ise Konya Teknik Üniversitesi Bilgisayar Mühendisliği Bölümü’nde okutulan 9 adet derse ait veriler toplanmıştır. Ayrıca 9 adet dersin birleşiminden oluşan bir veri kümesi daha oluşturulmuş ve önerilen yöntemin analizi bu 10 veri seti üzerinde yapılmıştır. Deneysel çalışmalarda aşırı öğrenme makinesi ve önerilen yöntemin performansı her ders için ayrı ayrı karşılaştırılmıştır. Önerilen yöntemin performansının sınıflandırma doğruluğu açısından temel aşırı öğrenme makinesinden daha yüksek olduğu gözlemlenmiştir

Giyilebilir teknolojiler, bulundukları ortama ait önemli verileri eş zamanlı olarak elde etme, uzağa iletme ve görüntüleme gibi işleri yerine getirmektedirler. Arama kurtarma süreçlerine uygun olarak geliştirilecek akıllı giysiler, personelin can güvenliğini artırabilir ve müdahalenin daha etkin olmasını sağlayabilir. Bu çalışmada, hayati önem taşıyan çevredeki tehlikeli gazlar, oksijen miktarı, hareketsizlik ve sıcaklık verilerinin elde edilerek uzaktan izlenebilmesi için bir sistem tasarlanmıştır. Geliştirdiğimiz prototip geleneksel yöntemlerden farklı olarak kaza yerinde karşılaşılan gazın parlayıcı-patlayıcı, kimyasal sıvı buharı veya boğucu olmak üzere hangi grupta olduğunu bir makine öğrenmesi yöntemi ile belirlenmektedir. Pratik çalışmalarımız sonucunda %95 civarında doğru sınıflama başarısı elde edilmiştir. Geliştirilen sistemde, ayrıca tehlikeli gazın varlığı, oksijen seviyesi ve sıcaklık verileri ile birlikte komutan kaza yerinin tehlike analizini yapabilmektedir. Kurtarıcının hareketsizlik hali izlenerek bayılma ihtimaline karşı önlem alınabilmektedir. Bu akıllı giysi, planlama ve müdahale süreçleri için afet bölgesi keşifleri için ve operasyonu daha verimli ve güvenilir hale getirmek için kullanılabilir