Image Processing, Deep Learning, ARIMA Today, with the rapid advancement of technology, artificial intelligence has become an indispensable part of ourlives. Artificial intelligence can be described as a method of predicting computer or computer-controlled activities like human or intelligent creatures. Artificial intelligence are frequently used in many application areas such as health, education, security and robotics. One of the important uses of artificial intelligence is traffic signaling systems used for the controlled and safe passage of vehicles. Traffic signaling generally works on fixed time basis at intersections with heavy traffic, regardless of the traffic density. Thus, fixed time traffic signaling systems are not preferred much today. The waiting time in smart-traffic signaling systems depends on the number of vehicles and the transit time of the vehicles. The study, video footage of the vehicles at the Otogar intersection, which is one of the intersections with heavy traffic, was taken from the Directorate of Transport and Traffic Services in Isparta. Image processing and ARIMA deep-learning method were applied on the captured images. With the ARIMA deep-learning method, the number of time-dependent vehicles and the R 2 of vehicle transit times were evaluated according to the performance evaluation criteria and accuracy rate of 82% and 89% was obtained.
Günümüzde teknolojinin hızla ilerlemesi ile birlikte yapay zekâ yöntemleri de birçok alanda sıklıkla kullanılmaktadır. Yapay zekanın önemli kullanım alanlarından birisi de sağlık sektörüdür. Sağlık sektöründe erken teşhis, insan kaynaklı hataların minimuma indirilmesi gibi birçok durumda yapay zekâ yöntemleri kullanılmaktadır. Çalışmada açık kaynak erişimli internet sitesinden (kaggle.com) elde edilen 127710 adet EKG sinyallerine ait veri seti kullanılmıştır. Veri seti 100.710 adet eğitim, 1.500 adet veri de test ve kalan 25.000 adet veri ise doğrulama verisi olarak kullanılmıştır. Eğitim verileri için tasarlanan CNN modeli normal sinüs ritmi, supraventriküler erken atım, erken ventriküler kasılma, ventriküler ve normal atımın karışımı ve sınıflandırılamayan atım olmak üzere toplam beş sınıf için eğitilmiştir. Tasarlanan CNN modelinde hata oranı %5,3, duyarlık oranı %94,4, hassasiyet oranı %94,6, F-değeri ise %94,4 ve %94,7 doğruluk oranı olmak üzere beş farklı performans kriterine göre değerlendirilmiştir.
ÖZET: Görüntü işleme teknolojileri günlük hayatımızda sıklıkla kullanılan yöntemlerden birisidir. Özellikle yapay zeka teknolojisinin hızla gelişmesi ile birlikte görüntü işleme teknolojilerinde yapay zeka yöntemleri kullanılmaya başlanmıştır. Örneğin biyomedikal görüntülerden hastalık teşhisi yapılması, yüz görüntülerinden kişilerin duygu analizlerinin yapılması, tarım alanında bitkilere ait görüntüler üzerinden hasat zamanı ve miktarının belirlenmesi gibi birçok alanda yapay zeka yöntemleri kullanılmaktadır. Çalışmada açık erişimli internet sitesi https://academictorrents.com'dan 61110 kişiye ait yüz görüntüleri ve bu görüntülere ait vücut ağırlığı veri seti alınmıştır. Alınan veri seti üzerinde ResNet34 derin öğrenme yöntemi kullanılarak yüz görüntülerinden bu görüntülere ait vücut ağırlığı değerlerini tahminlenme için bir model oluşturulmuştur. Oluşturulan ResNet34 modeli RMSE performans değerlendirme ölçütüne göre değerlendirilerek 0.071797 hata değeri elde edilmiştir. Elde edilen hata değeri ResNet34 modelinin kullanılan veri seti üzerinde başarılı olduğunu göstermektedir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.