Yazar "Yurdakul, Muhammet Mustafa" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Örnek segmentasyonu ile uydu görüntülerinden deniz müsilajı tespiti
    (İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü, 2024) Yurdakul, Muhammet Mustafa
    Özellikle son yıllarda küresel ısınmanın da etkisiyle artan deniz suyu sıcaklığı beraberinde birçok sorunu getirmektedir. Bunlardan biri de deniz müsilajı problemidir. Marmara Denizi'nde ilk müsilaj vakası 1990'larda gözlemlenmiştir. 2021 yılı mayıs ayında ise Marmara Denizi'nde tekrar ortaya çıkarak bölgede yoğunlaşmış ve deniz doğal yaşamını ve ekonomisini tehdit eden büyük bir probleme dönüşmüştür. Hem denizin yüzeyinde hem de altında oldukça büyük alanlara yayılan müsilaj, bu alandaki yaşam alanlarını ciddi şekilde tehdit etmektedir. Müsilajın oluşumunu erkenden tespit etmek, müdahale hızını artırır ve müsilajın yayılmasının engellenmesi için oldukça önemlidir. Bu çalışmada, çalışma alanı olarak 2021 yılında yoğun müsilaj etkinliği görülmesi dolayısıyla Marmara Denizi'nin bir kısmı seçilmiştir. Veri seti oluşturmak için seçilen bölgeden Planet's uydusu arşivinden 14 Mart 2021-4 Temmuz 2021 tarihleri arasındaki müsilajlı ve müsilajsız görüntüler alınmıştır. Alınan görüntüler elle etiketlenerek model eğitimine uygun hale getirilmiştir. Oluşturulan veri seti kullanılarak, nesne tespit algoritmalarından olan YOLOv5 ağının segmentasyon için tasarlanan versiyonu temel alınarak otomatik müsilaj tespiti yapan bir model eğitilmiş ve analiz edilmiştir. Tasarlanan modelin analiz sonuçları incelendiğinde umut vadeden bir performans gösterdiği görülmüştür.
  • Küçük Resim
    Öğe
    PAFWF-EEGC Net: parallel adaptive feature weight fusion based on EEG-dynamic characteristics using channels neural network for driver drowsiness detection
    (SPRINGER LONDON LTD, 236 GRAYS INN RD, 6TH FLOOR, LONDON WC1X 8HL, ENGLAND, 2025) Abdulwahhab, Ali Hussein; Myderrizi, Indrit; Yurdakul, Muhammet Mustafa
    Drowsy driving is considered one of the most dangerous causes of road accidents and deaths worldwide. Drivers’ concentration is directly affected by fatigue, which affects their reaction time, reducing their attention and decision-making ability on the road. This can often lead to dangerous situations. With the development of Human Computer Interface systems and the rise of intelligent transportation systems, examining the effects of driver fatigue has become more critical, and research aimed at reducing the risk of fatigue-related accidents has gained importance. For this purpose, this study proposes a Parallel Adaptive Feature Weight Fusion based on EEG-Dynamic Characteristics using Channels Neural Network (PAFWF-EEGC Net) to detect the driver drowsiness condition. Two signal processing techniques are used to extract EEG dynamic features: first, Continuous Wavelet Transform (CWT) to capture the spectral-temporal features by accurately estimating both time and frequency localizations, and second, Fast Fourier Transform (FFT)—Power Spectrum Density (PSD) to convert the signals from the time domain to the frequency domain and show the distribution of signal power over frequency. These extracted dynamic features are passed to Attention channels and Parallel Adaptive Feature Fusion to integrate the most relevant feature channels to detect mental state. Furthermore, three processing dataset scenarios and cross-validation techniques are used to validate the Net. The Net showed excellent performance through ninefold/3rd scenario by achieving 98% detection accuracy, and 84%, 88.75%, 93.8% average detection accuracy through 1st, 2nd, 3rd scenarios respectively