Yazar "Altun, Ahmet Hakan" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Beton Yüzey Çatlaklarının YOLOv8 Derin Öğrenme Algoritması ile Tespit Edilmesi
    (Çukurova Üniversitesi, 2024) Altun, Muhammet Gökhan; Altun, Ahmet Hakan
    Beton kullanım ömrü boyunca takip edilmeli, varsa hasarlar tespit edilmeli ve gerekli işlemler zamanında yapılmalıdır. Bundan dolayı doğru zamanda doğru tespit betonun dayanıklılığı açısından oldukça önemlidir. Çatlaklar, betonarme yapıların zarar gördüğünün en erken sinyalleridir. Türkiye gibi deprem riski yüksek bölgelerde yapıların dayanıklılığı ve güvenliği açısından çatlakların erken tespiti hayati öneme sahiptir. Çatlakları manuel olarak tespit etmek genellikle zaman, işgücü, maliyet, yüksek hata olasılığı ve uygulamadaki zorluklar açısından oldukça dezavantajlıdır. Manuel tespite alternatif olarak görüntü işleme teknikleri, makine öğrenmesi ve derin öğrenme tabanlı algoritmaların bu alanda kullanımı yaygınlaşmaktadır. Bu çalışmada, Orta Doğu Teknik Üniversitesi kampüsündeki farklı binalardan elde edilen görüntülerden oluşan METU veri kümesi kullanılarak beton yüzeyindeki çatlakların görüntü işleme yöntemi ile tespit edilmesi amaçlanmıştır. Veri kümesinden 550 adet örnek görüntü seçilmiş olup bu görüntülerin 500 adedi pozitif, kalan 50 adedi ise negatif görüntüden oluşmaktadır. Veri seti çeşitli veri artırma teknikleri ile 1330 örneğe genişletilmiştir. Veri seti %88 eğitim, %8 doğrulama, %4 test kümesi olarak bölünmüştür. Sonuç olarak 1170 adet görüntü eğitim, 105 adet görüntü doğrulama ve 55 adet görüntü ise test için kullanılmıştır. Eğitim işlemi Google Colab ortamında gerçekleştirilmiştir. Model olarak YOLO serisinden YOLOv8 modeli kullanılmıştır. Elde edilen sonuçlara göre modelin çatlak tahminlerinde çok az yanlış pozitif sonuç verdiği ve farklı sınıfları ayırt etmede yüksek başarı gösterdiği tespit edilmiştir.
  • [ X ]
    Öğe
    Prediction of high performance concrete compressive strength with different machine learning algorithms
    (İdris Karagöz, 2025) Altun, Muhammet Gökhan; Altun, Ahmet Hakan
    Compressive strength of concrete is influenced by various factors including the amount and properties of concrete components, age, environmental conditions and experimental conditions. Machine learning algorithms are emerging as an alternative method for determining the compressive strength of concrete which is one of its most critical properties. In this study six different machine learning models were employed to predict the compressive strength of high-performance concrete using an open dataset of 1030 samples. Additionally the impact of incorporating newly derived features into the existing dataset on the prediction process was examined. The contribution of these new features to the performance of the algorithms was evaluated and the algorithms yielding the best results were analyzed. According to the results XGBoost and LightGBM demonstrated the best performance in terms of prediction accuracy and computational efficiency. Moreover, adding two new features to the dataset improved the predictive accuracy of the employed machine learning algorithms