1-) A CNN-Based System for Classification and Real-Time Detection of Raisin
(Yağız, A., & Uğuz, S. (2025). A CNN-Based System for Classification and Real-Time Detection of Raisin. Traitement du Signal, 42(3), 1209-1218. https://doi.org/10.18280/ts.420301)
Bu çalışmada, kuru üzüm ihracatında kalite kontrol süreçlerinin otomatikleştirilmesi amacıyla, TS 3411 standardına uygun olarak üzüm tanelerinin renk ve sap miktarına göre sınıflandırılmasını ve gerçek zamanlı olarak algılanmasını sağlayan bir CNN tabanlı yapay zekâ sistemi geliştirilmiştir. Manisa’da faaliyet gösteren bir tesisten temin edilen Sultaniye kuru üzüm örnekleri kullanılarak, toplamda 2.336 adet görüntü elde edilmiş ve veri artırma yöntemleri (döndürme, pozlama değişimi, gürültü ekleme vb.) uygulanarak bu sayı 10.544’e çıkarılmıştır. Görüntüler TS 3411 standardına göre üç sınıfa —birinci sınıf, ikinci sınıf ve sap (capstem)— ayrılmıştır.
Modelleme sürecinde farklı derin öğrenme tabanlı nesne algılama algoritmaları (YOLOv5, YOLOv6, YOLOv7, YOLOX, FCOS ve TOOD) karşılaştırılmış ve performans ölçümleri yapılmıştır. Deneysel sonuçlar, geliştirilen sistemin ortalama %98,8 oranında doğrulukla sınıflandırma gerçekleştirdiğini göstermiştir. Bu yüksek başarı oranı, sistemin endüstriyel ölçekte gerçek zamanlı kalite kontrol uygulamalarına uygunluğunu ortaya koymaktadır.
Ayrıca, sistem için özel olarak tasarlanan kullanıcı arayüzü sayesinde, kamera aracılığıyla alınan görüntüler anlık olarak işlenmekte ve ürünün TS 3411 standardına uygunluğu değerlendirilerek kullanıcıya görsel ve sayısal çıktılar sunulmaktadır. Böylece, üretim hattında insan müdahalesine olan ihtiyaç en aza indirilmiş, kalite değerlendirme süreci hızlı, nesnel ve tekrarlanabilir hale getirilmiştir.
Bu çalışma, TS 3411 standardına uygun şekilde kuru üzüm sınıflandırmasını hem derin öğrenme temelli hem de gerçek zamanlı biçimde gerçekleştiren ilk kapsamlı sistem olma özelliğini taşımaktadır. Elde edilen sonuçlar, tarımsal ürün kalite kontrolünde yapay zekâ destekli çözümlerin, geleneksel yöntemlere göre hem doğruluk hem de hız açısından önemli avantajlar sunduğunu göstermektedir.
2-) Development of a Performance Evaluation System in Turkish Folk Dance Using Deep Learning-Based Pose Estimation
(Büyükgökoğlan, E., & Uğuz, S. (2025). Development of a Performance Evaluation System in Turkish Folk Dance Using Deep Learning-Based Pose Estimation. Tehnički vjesnik, 32(5), 1817–1824. https://doi.org/10.17559/TV-20241218002203)
Bu çalışmada, Türk halk danslarının eğitim ve değerlendirme süreçlerinde nesnel ölçütler sağlayabilmek amacıyla, derin öğrenmeye dayalı bir poz tahmin sistemi geliştirdik. Projemizde, bir öğretmen ile dokuz öğrencinin her biri beş farklı halk dans figürünü gerçekleştirdiği videolar web kamerası aracılığıyla kaydedildi ve bu videolardan elde edilen iskelet verileri MediaPipe ve YOLOv8 teknikleriyle çıkarıldı. Elde edilen poz verileri, klasik benzerlik metrikleri (Öklid mesafesi, Kosinüs benzerliği), zaman-süre analiz yöntemleri (TLCC, DTW) ve derin öğrenme modelleri (LSTM, Siamese ağları) kullanılarak performans değerlendirmesine tabi tutuldu.
Yaptığımız deneysel çalışmalar sonucunda, LSTM tabanlı modelin en iyi performansı gösterdiğini gözlemledik; bu model ortalama 68,43 puan ve 56,11 MSE değeri ile değerlendirildi. İkinci en başarılı yöntem olarak DTW yöntemi ön plana çıktı (ortalama puan 60,64, MSE = 139,32). Diğer yöntemler değerlendirme doğruluğu açısından daha düşük performans gösterdi. Ayrıca, poz tahmin yöntemleri arasında MediaPipe’ın hız avantajı olduğu, YOLO ile elde edilen sonuçların da benzer ortalamalara sahip olduğu belirlendi.
Geliştirdiğimiz sistemde aynı zamanda kullanıcı arayüzü (GUI) sunularak öğrencilerin kendi videolarını öğretmen performansıyla senkronize şekilde karşılaştırmaları ve seçilmiş değerlendirme yöntemine göre puan almaları mümkün kılındı. Böylece, öğrencilere anlık dönüt sağlanırken öğretmenler de öğrencilerin gelişimini sistematik olarak izleyebilmektedir. Bu çalışma, halk dansı performansının değerlendirilebildiği ve öğretim süreçlerine derin öğrenme ile entegre bir çözüm sunan özgün bir sistem olarak konumlanmaktadır
3-) Disease Detection and Physical Disorders Classification for
Citrus Fruit Images Using Convolutional Neural Network
Uğuz, S., Şikaroğlu, G., & Yağız, A. (2023). Disease detection and physical disorders classification for citrus fruit images using convolutional neural network. Journal of Food Measurement and Characterization, 17, 2353–2362. https://doi.org/10.1007/s11694-022-01
Bu çalışmada, narenciye meyvelerindeki hastalıkların ve fiziksel bozuklukların tespiti amacıyla derin öğrenme tabanlı bir sistem geliştirilmiştir. Özellikle Türkiye'de yaygın olarak görülen Alternaria alternata ve Thrips hastalıkları hedef alınmıştır. Antalya'daki narenciye bahçelerinden toplanan 5149 adet meyve görüntüsü kullanılarak, bu görüntüler üzerinde dört farklı evrişimli sinir ağı (CNN) modeli ile deneyler gerçekleştirilmiştir. Elde edilen sonuçlara göre, CitrusNet ve ResNet50 modelleri en iyi sınıflandırma performansını göstermiştir. Ayrıca, hastalık tespiti için YOLOv5 ve Mask R-CNN modelleri kullanılarak yapılan deneylerde, bu modeller ortalama %99 doğrulukla başarılı sonuçlar elde etmiştir. Geliştirilen sistem, narenciye üreticilerinin hastalıkları erken aşamada tespit etmelerine ve fiziksel bozuklukları sınıflandırmalarına olanak tanıyan etkili bir çözüm sunmaktadır.
4-) A Hybrid CNN-LSTM Model for Traffic Accident Frequency Forecasting During the Tourist Season
(Uğuz, S., & Büyükgökoğlan, E. (2022). A Hybrid CNN-LSTM Model for Traffic Accident Frequency Forecasting During the Tourist Season. Tehnički vjesnik, 29(6), 2083–2089. https://doi.org/10.17559/TV-20220225141756)
Bu çalışmada, turizm sezonunda trafik kazalarının sıklığını tahmin etmek amacıyla, evrişimli sinir ağı (CNN) ve uzun kısa vadeli bellek (LSTM) modellerini birleştiren hibrit bir derin öğrenme modeli geliştirilmiştir. Antalya il sınırları içinde, 2012 Ocak ile 2017 Aralık tarihleri arasında meydana gelen ölümlü ve yaralanmalı trafik kazalarının günlük verileri kullanılmıştır. Bu veriler, mevsimsel otoregresif entegre hareketli ortalama (SARIMA), Facebook Prophet, LSTM ve önerilen hibrit CNN-LSTM modelleri ile karşılaştırılmıştır. Deneysel sonuçlar, önerilen modelin kök ortalama kare hata (RMSE) değerinin sırasıyla SARIMA, Prophet ve LSTM modellerine göre daha düşük olduğunu göstermektedir. Ayrıca, önerilen modelin R-kare değeri de diğer modellere göre daha yüksek bulunmuştur. Bu bulgular, geliştirilen hibrit CNN-LSTM modelinin trafik kazalarını tahmin etmede diğer modellere kıyasla daha başarılı olduğunu ortaya koymaktadır.
5-) A deep learning based system for real-time detection and sorting of earthworm cocoons
(Çelik, A., & Uğuz, S. (2022). A deep learning based system for real-time detection and sorting of earthworm cocoons. Turkish Journal of Electrical Engineering and Computer Sciences, 30(5), 1980–1994. https://doi.org/10.55730/1300-0632.3917)
Bu çalışmada, vermicompost üretiminde kullanılan solucan kokonlarının kompost karışımından ayrılması ve üretime geri kazandırılması amacıyla derin öğrenmeye dayalı akıllı bir sistem geliştirilmiştir. İlk aşamada, kokonların görüntülerinden oluşan 1000 adetlik bir veri kümesi oluşturulmuş ve bu görüntüler etiketlenerek, derin öğrenme mimarileri kullanılarak eğitim gerçekleştirilmiştir. Eğitim süreci 2000 epoch boyunca, öğrenme oranı 0.01 olacak şekilde gerçekleştirilmiştir. Deneysel sonuçlar, ResNet50-FPN tabanlı Faster R-CNN modelinin, diğer modellere kıyasla daha iyi sonuçlar verdiğini göstermektedir. Bu model, ortalama doğruluk (AP) değeri olarak 0.89 elde etmiştir. Çalışmanın ikinci aşamasında, yazılım tarafından tespit edilen kokonlar, özel olarak tasarlanmış bir konveyör sistemi ile kompost karışımından ayrılmıştır. Bu süreçte, hava püskürten 10 adet pnömatik valf kullanılarak kokonlar ayrılmıştır. Geliştirilen bu sistem, gerçek zamanlı bir akıllı sistem kullanarak solucan kokonlarının üretime geri kazandırılmasını sağlayan ilk çalışmadır. Ayrıca, küçük nesnelerin tespiti konusunda derin öğrenme literatürüne katkı sağlamaktadır.
6-) Classification of olive leaf diseases using deep convolutional neural networks
Uğuz, S., & Uysal, N. (2021). Classification of olive leaf diseases using deep convolutional neural networks. Neural Computing and Applications, 33(9), 4133–4149. https://doi.org/10.1007/s00521-020-05235-5)
Son yıllarda, çeşitli derin öğrenme mimarileri kullanılarak nesne sınıflandırmada önemli başarılar elde edilmiştir. Bu mimariler artık birçok bitki hastalığının sınıflandırılması ve tespiti için de kullanılmaktadır. Zeytinler, dünyanın belirli bölgelerinde yetiştirilen önemli bitki türlerindendir. Zeytin bitkilerini etkileyen hastalık türleri, yetiştirildikleri bölgeye göre değişiklik göstermektedir. Bu çalışmada, Türkiye’de yaygın olan Aculus olearius ve Olive peacock spot hastalıklarını tespit etmek amacıyla sağlıklı yaprakları da içeren toplam 3400 zeytin yaprağı örneği içeren bir veri seti sunulmuştur. Bu deneysel çalışmada, VGG16 ve VGG19 mimarileri üzerinde transfer öğrenme yöntemleri ve ayrıca önerilen CNN mimarimiz kullanılmıştır. Araştırmanın bir diğer amacı, veri artırmanın performansa etkisi olmuştur. Veri artırma uygulanan deneylerde, eğitilen modellerin en yüksek başarı oranı %95 iken, veri artırma uygulanmayan deneylerde bu oran %88 olarak gözlemlenmiştir. Bu araştırmanın bir diğer konusu ise, Adam, AdaGrad, Stokastik gradyan inişi (SGD) ve RMSProp optimizasyon algoritmalarının ağ performansına etkisidir. Yapılan deneyler sonucunda, Adam ve SGD optimizasyon algoritmalarının genellikle daha üstün sonuçlar ürettiği gözlemlenmiştir.
7) The Management of Indoor Thermal Comfort with Wireless Sensor Networks
(Uguz, S., & Ipek, O. (2017). The Management of Indoor Thermal Comfort with Wireless Sensor Networks. Measurement and Control, 50(9-10), 206-213. https://doi.org/10.1177/0020294017707228)
Bu çalışmada, iç mekânların ısıtma sistemlerini termal konfor düzeyine bağlı olarak gerçek zamanlı izleme ve kontrol eden bir platform geliştirdik. Ortam havası sıcaklığı, ortalama radyant sıcaklık, hava hızı ve bağıl nem gibi çevresel faktörleri kablosuz sensör ağları (WSN) aracılığıyla ölçüyor, bu verilerle Termal Konfor Endeksi (PMV) hesaplanıyor ve radyatör vanaları PC tabanlı izleme ve kontrol yazılımıyla otomatik olarak kontrol ediliyor.
Araştırma kapsamında, Süleyman Demirel Üniversitesi Teknoloji Fakültesi’nde kış sezonunda dört oda seçtik; bu odalardan üçüne geliştirdiğimiz sistem kuruldu, dördüncü oda geleneksel ısıtma yöntemleriyle kontrol edildi. Kapı ve pencerelerin açık/kapalı olması, kıyafet ve aktivite düzeyleri gibi iç konforu etkileyen faktörlerde değişiklik yapılarak deneyler yürüttük. Deney sonuçları, özellikle kapılar ve pencereler kapalıyken, geliştirdiğimiz sistemin radyatörler aracılığıyla çevreye aktarılan ısı miktarını önemli oranda azalttığını gösterdi.
Ayrıca, kişisel faktörlerin (aktivite düzeyleri, giyim kalınlığı vb.) değiştirilmesinin de sistem performansı ve enerji tasarrufu üzerinde belirgin etkileri olduğu belirlendi. Kullanıcıların PMV değerini isteğe bağlı olarak ayarlayabildiği grafik arayüzü ile hem konfor hem enerji verimliliği birlikte sağlanmıştır. Bu uygulama, konut içi ısıtma sistemlerinde enerji tüketimini düşürürken konfor hissini korumanın pratik bir yolunu sunmaktadır.
