Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Bölümü

Nilüfer şehrinde Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı konumuna Toplu Taşıma

Nilüfer, Türkiye'deki Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı adresine nasıl gidebileceğinizi mi merak ediyorsunuz? Moovit, en yakın toplu taşıma durağından adım adım yol tarifi ile Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı adresine ulaşmanın en iyi yolunu bulmanıza yardımcı olur.

Moovit, şehrinizde gezmenize yardımcı olacak ücretsiz haritalar ve canlı yol tarifleri sağlar. Saatleri, güzergahları, hareket saatlerini görüntüleyin ve gerçek zamanlı olarak Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı adresine ne kadar sürede ulaşabileceğinizi öğrenin.

Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı için en yakın durak veya istasyonu mu arıyorsunuz? Hedefinize en yakın durakların listesine göz atın: U.Ü. Kütüphanesi.

Otobüs:2/U35/G4/GB/24B/BB/46E/13Metro:2Minibüs / Dolmuş:GÖRÜKLE MINIBÜSLERI

Sizi daha erken zamanda ulaştırabilecek başka güzergah olup olmadığını görmek ister misiniz? Moovit alternatif rotalar veya saatler bulmanıza yardımcı olur. Moovit Uygulamasından veya Web Sitesinden kolayca Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı için yol tarifi alın.

Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı adresine en kolay yoldan ulaşmanızı sağlıyoruz, bu nedenle Nilüfer konumundaki kullanıcılar dahil milyondan fazla kullanıcı, toplu taşıma için en iyi uygulama olarak Moovit'e güveniyor. Ayrıca otobüs uygulaması veya tren uygulaması indirmenize gerek yoktur. Moovit, en doğru otobüsü veya metro saatlerini bulmanıza yardımcı olan tüm toplu taşıma araçlarının bir arada olduğu ulaşım uygulamanızdır.

Uludağ Üniversitesi Elektrik Elektronik Mühendisliği Fizik Laboratuvarı için Otobüs, Metro ve Minibüs / Dolmuş fiyatları, ve tüm yolculuk ücreti hakkında bilgi için lütfen Moovit uygulamasını kontrol edin.

Havaalanı, hastane, stadyum, market, alışveriş merkezi, kafe, okul, kolej ve üniversite gibi popüler yerlere gitmek için uygulamayı kullan.

Konum: Nilüfer, Bursa

TC BURSA ULUDAĞ ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI İLE PLAKA TANIMA NURDOĞAN SALMAN AYTEKİN BALADUR MÜHENDİSLİK TASARIMI II BURSA TC BURSA ULUDAĞ ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI İLE PLAKA TANIMA NURDOĞAN SALMAN AYTEKİN BALADUR Projenin Danışmanı: Dr. Öğr. Üyesi Esin KARPAT Uludağ Üniversitesi Mühendislik Fakültesi tez yazım kurallarına uygun olarak hazırladığım bu Mühendislik Tasarımı II çalışmasında; Tez içindeki bütün bilgi ve belgeleri, akademik kurallar çerçevesinde elde ettiğimi Görsel, işitsel ve yazılı tüm bilgi ve sonuçları, bilimsel ahlak kurallarına uygun olarak sunduğumu Başkalarının eserlerinden yararlanılması durumunda, ilgili eserlere bilimsel normlara uygun olarak atıfta bulunduğumu Atıfta bulunduğum eserlerin tümünü kaynak olarak gösterdiğimi Kullanılan verilerde herhangi bir tahrifat yapmadığımı, Bu tezin herhangi bir bölümünü üniversitemde veya başka bir üniversitede başka bir tez çalışması olarak sunmadığımı beyan ederim. 23/05/ NURDOĞAN SALMAN AYTEKİN BALADUR Danışmanlığımda hazırlanan Mühendislik Tasarımı II çalışması, tarafımdan kontrol edilmiştir. 23/05/ Dr. Öğr. Üyesi Esin KARPAT ii ÖZET Programa resmin yüklenmesi ile başlanır, jpeg formatında alınan görüntü ile birlikte plakanın yeri tespit edilebilmesi için filtrelerden geçirilir. Görüntü öncelikle gri formata dönüştürülür işlem kolaylığı açısından sonra dönüştürülen bu resim ikili sisteme dönüştürülür. 1 ve 0 ların olduğu fotoğrafa üçüncü adım olarak parlaklık ayarlaması pixellerde bulunan parlaklık düzeyleri eşitlenerek kenar bulma komutu ile en çok kenar barındıran noktalar tespit edilir ve kesilerek alınır bunlar plaka olma adayı olan yerlerdir. Bunlar arasından plaka yeri doğru tahmin edilmeye çalışılır. Bu adımda başarılı olunursa kesilen plaka tekrar görüntü netleştirme adı verdiğim görüntü işlemeye girer. Burada fazladan kalan siyah noktaları ve harflerin yanında parazite neden olan noktalar temizlenir. Eğittiğim yapay zekâ burada devreye girer ve görüntüdeki karakterleri doğru bir şekilde tespit etmeye çalışır. Tespit edilen plaka bilgisi sisteme kayıtlı olan plakalar ile karşılaştırılarak bariyer açılarak aracın geçmesine izin verilir veya verilmez. Araç geçişine izin verildikten sonra 20 saniye açık kalan bariyer tekrar kapatılır. iii ABSTRACT iv İÇİNDEKİLER Sayfa No ÖZET ii ABSTRACT iii İÇİNDEKİLER iv ŞEKİLLER DİZİNİ vii ÇİZELGELER DİZİNİ ix 1. GİRİŞ 1 2. KAYNAK ARAŞTIRMASI 4 Yapay Zeka’nın Tarihi 4 Yapay Zeka Tanımı 5 Yapay Zekâ Yöntemleri 6 YAPAY ZEKA UYGULAMALARI 7 YAPAY SİNİR AĞLARI 7 Yapay Sinir Ağları Tanımı ve Tarihçesi 10 Yapay Sinir Yapısı 11 Yapay Sinir Ağlarında Öğrenme ve Ağın Eğitilmesi 11 AĞ YAPILARI 13 Yapay Sinir Ağlarının özellikleri 13 Yapay Sinir Ağları hangi tür problemlerin çözümünde kullanılır 16 Nöronların Yapıları 17 Tek Katmanlı Algılayıcılar 18 Çok Katmanlı Algılayıcılar 19 Geri Yayılım Algoritması 24 Genetik Algoritma 25 v Genetik algoritma tekniği 25 Veri Madenciliği (Data Mining) 28 Görüntü İşleme Temel Kuramları 28 Resmin tanımı 28 Resim bölgeleri 30 RGB bölgesi 30 Karşıt Renk Bölgesi (Opponent Colour Spaces) 31 Olgusal Renk Bölgesi (Phenomenal Colour Spaces) 32 Renk dönüşümleri 33 Gerçek renk-gri skala dönüşümü 33 Gri skala – siyah beyaz resim dönüşümü 33 Plaka Bölgesinin Bulunması 34 İmza Teoremi 34 funduszeue.infoAL VE YÖNTEM 35 Plaka Bölgesinin Bulunması 36 Plakanın fon renginin kullanılması 36 Resmi siyah-beyaz (ikili) forma dönüştürme 37 Siyah beyaz resmin süzgeçlenmesi 37 Gerçek renk-gri skala dönüşümü 38 Plaka aday adayı bölgelerin belirlenmesi 39 Plaka adayı bölgelerin sağlaması gereken koşullar 40 Kenar Bulma Fonksiyonları 41 Sobel Kenar Dedektörü 41 SİSTEMİN ÇALIŞMASI 42 vi 4. ARAŞTIRMA SONUÇLARI 45 Maliyet Analizi 45 funduszeue.infoŞMA 46 Plaka Tanıma Sistemleriyle İlgili Yapılmış Bazı Çalışmalar 46 funduszeue.infoÇA 50 funduszeue.infoŞEKKÜR 51 8.ÖZGEÇMİŞ 52 vii ŞEKİLLER DİZİNİ Sayfa No Şekil Örnek Tescil Plakası 2 Şekil Bilgisayar biliminin alt dalları 6 Şekil Yapay sinir ağı katmanları; giriş katmanı, örtüşme ve çıkış katmanı 8 Şekil YSA modeli 16 Şekil Nöronların temel blok şeması 17 Şekil Tek Katmanlı Algılayıcı (TKA) Model 18 Şekil Sınıf Ayıracı Doğrusu 19 Şekil ÇKA Modeli 20 Şekil Sigmoid 21 Şekil Hiperbolik tanjant 21 Şekil Leaky reLU 22 Şekil reLU 23 Şekil Exponential linear unit (ELU) 23 Şekil Eğitim durumları 24 Şekil Sayısal resim ve görüntü matrisi 29 Şekil Renkli resim 29 Şekil Olgusal renk bölgesi 32 Şekil matlab arayüz 35 Şekil plaka yerinin tespiti 36 Şekil siyah beyaz resim 37 Şekil Beyaz noktaları birleştirilmiş resim 38 Şekil Siyah noktaları birleştirilmiş resim 38 Şekil gri skala dönüşümü 39 viii Şekil Beyaz Üzerinde Siyah Noktaların Bulunduğu Bölgeler 39 Şekil Beyaz zeminde yer alan karakterler 40 Şekil sobel kenar bulma yöntemi 42 Şekil Programın ilk çalışma anı gelen arayüz 42 Şekil Programın ilk plaka okumak için gelen arayüz 43 Şekil Plaka tanıma işlemi gerçekleştiği arayüz kapı açık 43 Şekil Araç geçişinden (20 saniye) sonra kapanan kapı 43 Şekil Tanımlı olmayan aracın plaka tanınması ve kapı kapalı 44 Şekil Tanımlı olmayan aracın plaka sisteme eklenmesi 44 Şekil Aracın plaka sisteme eklendikten sonra geçişe izin vermesi 44 ix ÇİZELGELER DİZİNİ Sayfa No: Tablo Geleneksel Algoritmalar ile YSA’ların Karşılaştırılması 11 Tablo Yatay ve dikey Sobel maskeleri 42 Tablo Maliyet analiz tablosu 45 1 funduszeue.infoŞ Yapay sinir ağları (YSA) insan beyninin çalışma sisteminin yapay olarak benzetimi çabalarının bir sonucu olarak ortaya çıkmıştır. En genel anlamda bir YSA insan beynindeki birçok nöronun (sinir hücresi) ya da yapay olarak basit işlemcilerin birbirine değişik etki seviyeleriyle bağlanmasından oluşan karmaşık bir sistem olarak düşünülebilir. Önceleri tıp biliminde insan beynindeki nöronların matematiksel modelleme çabalarıyla başlayan çalışmalar şimdi çok farklı bilim dallarında araştırma konusu haline gelmiştir. Yapay sinir ağlarının pratik kullanımı, genelde çok farklı yapıda ve formlarda bulunabilen veri yapılarını hızlı bir şekilde tanımlama ve algılama düzenidir. Aslında mühendislik uygulamalarında YSA’nın geniş çaplı kullanımının en önemli nedeni klasik tekniklerle çözümü zor problemler için etkin, bir alternatif oluşturmasıdır. YSA, olayları öğrenerek karar verme prensibi üzerine kurulmuştur. Farklı tanımlar yapılmakla birlikte en genel şekilde öğrenme “sistemlerin aynı veya benzeri işleri yaptıklarında, o işi veya işleri bir önceki yaptıkları şekilden daha verimli ve etkin olarak gerçekleştirecek değişiklileri oluşturma süreci” olarak tanımlanır. Bir YSA’nın yapısını belirleyen bazı faktörler vardır. Yapay sinir hücreleri (işlem elemanları), sinir ağının yapısal topolojisi, ağın sahip olduğu öğrenme kural ve stratejisi bunların başında gelir. Büyük kentlerde toplu alanlarının artması ve bu alanlarda yerleşim yoğunluğunun yüksekliği kentlerdeki araç trafiği ve park sorununu da beraberinde getirmektedir. Yüksek yoğunluklu konut sitelerinin güvenliği de dikkat edilmesi gitgide zorlaşan bir sorun haline gelmektedir. Bu durum özellikle İstanbul`da özel güvenlik firmalarının istihdam sayısını birden artırmış; yüksek bir iş gücü gerçek işlevini yapamaz hale gelmiştir. Standartlara oturmamış araç takip istemleri, kartlı ve uzaktan kumandalı geçiş sistemleri gününüzde beklenen gereksinmelere yanıt verememektedir. Bu tip sistemler veritabanları olmadığından geçmişe dönük verileri depolayamaz ve raporlayamazlar bu sebeple sınırlı düzeyde güvenlik ve denetim imkânı sağlarlar. Ayrıca insan temelli güvenlik sistemleri tüm dünyada iş gücünün daha anlamlı ve verimli işlerde kullanılması ve insani durumların bazı güvenlik açıklarına sebebiyet verebilmesi yüzünden terkedilmeye başlanmıştır. Bu durum teknolojinin bize sağladığı olanaklarla daha kolay şekilde çözümlenebilir. 2 Bu amaçla toplu konut siteleri, üniversiteler güvenliği, yüksek güvenlikli rezidans ve işyerlerinin otoparkları özel güvenlikler, uzaktan kumandalı veya biletli sistemlerle kontrol altında tutulmaya çalışılmaktadır. Plaka tanıma sistemi; Bilet, uzaktan kumanda, dijital anahtar gibi donanımları hayatımızdan çıkartmayı hedefler. Onlarca özel güvenlik yerine hiç personel çalıştırmadan veya en fazla bir kontrol sorumlusu ile tüm araç girişlerini kameralar yardımıyla kontrol edilebilmesini sağlamayı amaçlar. Bu işlemide her araçta bulunan plaka ile araçları tanır. Araç kimliklerinin tanımlanması işlemini plakalar ile gerçekleştirmenin ardında yatan temel fikir, her aracın plakasının bulunması ve bu plakanın eşsiz olmasıdır. Böylece geliştirilen yazılımla araç üzerinde başka bir eklentiye gerek kalmadan araçların tanınması sağlanmaktadır. Yazılım teknolojisindeki gelişmelerle beraber, Plaka tanıma sistemi, kamera ile elde edilen görüntülerin, bilgisayarda çalışmakta olan plaka tanıma yazılımları sayesinde plaka karakterlerini tanımlama, tanımlanan karakterlerin, ASCII karakter kodlarıyla veritabanında yedeklenmesi ve istenilen zaman diliminde, plakası okunan araçların plaka bilgileri ve araçların sayısal fotoğraflarıyla beraber sorgulanması esasına dayanan bir görüntü işleme teknolojisidir. Ülkemizde plaka tanıma sistemlerinde Karayolları Trafik Yönetmeliğinin dördüncü bölümündeki “Tescil Plakaları” başlıklı kısımda belirtilen özelliklerdeki araçlara takılan Şekil’de görülen plakalar kullanılmaktadır. Plaka gövdesi alüminyumdan yapılmıştır. Boyutları araba, kamyon, kamyonet ve panelvanlar için 11x52 cm dir. Sol tarafta 4x10 cm mavi bar üzerine beyaz harflerle "TR" yazmaktadır. Motosiklet ve traktörler hariç diğer tüm araçlarda hem ön hem de arka taraflarda plaka bulunması zorunludur. Şekil Örnek Tescil Plakası Yapay zeka tabanlı plaka tanıma sisteminin faydası, kontrol işlemleri için insan gücünün kullanımını azaltarak, bunun yerine 24 saat aralıksız çalışabilen ve de bir insana 3 göre çok daha hızlı işlem yapabilen makinelere işleri devrederek, maddi yönden ve performans yönünden büyük kazanç sağlamasıdır. Türk Plaka Standartlarına uyan plakaya sahip araçlar için plaka tanıma sistemleri incelenmiştir. Plaka tanıma sistemleri genel olarak üç ana bölümden oluşmaktadır. Bunlar, plaka yerinin saptanması, plakadan karakterlerinin ayrıştırılması, ayrıştırılan karakterlerin tanınmasıdır. 4 funduszeue.info Araştırması Yapay Zeka’nın Tarihi Yunan Mitolojisi: akıllı makineler, mekanik araçlar ve yapay zeka. Rönesans döneminde otomatik makineler konusundaki çalışmalara yenileri eklenmiştir (Leonardo da Vinci) Pascal, ilk hesap makinesini geliştirmiştir. Babbage, ilk programlanabilir bilgisayarı geliştirmiştir ( yy). Bilgisayar Destekli Öğretim programı. Yapay Sinir Ağları yaklaşımı ortaya çıktı Günümüzde yapay zekâ olarak kabul edilen ilk çalışma, McCullouch ve Pitts'in Turing- complete kabul edilen tarihli yapay sinir hücreleri tasarımı. Yapay zekanın sistemli şekilde çalışılması ise Dartmouth College'daki tarihli bir atölye ile başlıyor. Atölyenin katılımcıları Allen Newell, Herbert Simon, John McCarthy, Marvin Minsky ve Arthur Samuel böylece yapay zekâ araştırmasının kurucu ve önderleri sayılıyorlar. İki aylık açık bir çalışma olan atölyenin önemli sonuçlarından biri, McCarthy tarafından önerilen yapay zekâ adının kabul görmesi oluyor. Newell ve Simon, geliştirdikleri kuram ispatlayıcı Logic Theorist programını da burada tanıtıyorlar. Atölyeye katılan araştırmacıların öğrencileriyle birlikte yazdıkları programlar dama oyununda insanları yeniyor, cebir problemlerini çözüyor ve İngilizce konuşuyorlar'ların ortalarına kadar bu çalışmalar ABD Savunma Bakanlığı tarafından destekleniyor ve dünyanın dört bir yanında laboratuarlar kuruluyor. 'te Sir James Lighthill'in eleştirileri ve daha üretim odaklı projelerin desteklenmesi düşünceleriyle yapay zekâ çalışmaları için fon bulmak zorlaşıyor. Bunu takip eden birkaç yıl şimdilerde AI winter olarak anılıfunduszeue.info winter'a giden yolda yapay zeka çalışmaları sembolik ve sibernetik yapay zeka olarak ikiye ayrılıyor. Buna göre sembolik yapay zeka akımı, dilin sentaktik kurallarını benzeşimlendirerek insan gibi düşünen makineler üretmeyi amaçlıyor. Ancak beynin semantik süreçlerini yeterince dikkate almadığı için bu akımın ürettiği yapay zekalar başarısızlığa uğruyor. Yapay sinir ağlarının kullanıldığı sibernetik yapay zeka akımında ise kullanılan yapılar, tek katmanlı görevleri yerine getirmelerine karşın vargılarını 5 yargılara dönüştüremedikleri için yetersiz kalıyor. DEC firması tarafından kullanılan ve müşterilerin seçimlerine göre donanım öneren R1 adlı yapay zekâ programı, firmaya bir yılda 40 milyon dolar tasarruf sağlıyor. Bu ticari başarı, yapay zekâ çalışmalarının da tekrar ivme kazanmasını sağlıyor. Japonya'nın beşinci nesil bilgisayar projesinden ilham alan ABD ve İngiltere'nin desteklerini yeniden arttırmasıyla yılında 1 milyar doları bulan yapay zekâ endüstrisi, yılında 2 milyar doları aşıyor. Ancak 'de Lisp makinesi pazarının çöküşüyle birlikte yapay zekâ araştırmaları ikinci kez ve daha uzun sürecek bir duraklamaya girmesine neden oluyor. 'ların sonu ile milenyumun başlarında yapay zekâ lojistik, veri madenciliği ve tıbbi tanı gibi çok farklı alanlara uygulanmaya başlıyor. 11 Mayıs 'de Deep Blue, bir dünya satranç şampiyonu olan Garry Kasparov'u yenen ilk satranç oynayan bilgisayar oluyor. Bugün yapay zekâ, akıllı telefonlardaki kelime oyunlarından tutun da Xbox platformuna 3D hareket algılama kabiliyeti kazandıran Kinect'e, satranca göre çok daha fazla ihtimal içeren Go oyununda şampiyonlardan Lee Sedol ve daha sonra dünyanın bir numarası Ke Jie'yi yenen AlphaGo'dan kişisel akıllı asistan uygulamalarına, güvenlik kameralarındaki yüz tanıma sistemlerinden kırk ayrı dil arasında gerçek zamanlı çeviri yapabilen Google Pixel Buds'a kadar hemen her alanda karşımıza çıkıyor. Yapay Zeka Tanımı Yapay zekâ; en kısa tanımıyla, insanların birbirlerinde zekice olarak kabul ettikleri davranışlara sahip bilgisayarların yapılmasıyla ilgili bir bilgisayar bilimidir. Bu teknik, insan beyninin; düşünme, hatırlama, değerlendirme, karar verme, karşılaştırma ve daha önceki tecrübelerden yola çıkarak sonuca ulaşma gibi temel fonksiyonlarının, bilgisayar ortamında gerçekleştirilmeye çalışılmasıyla ortaya çıkmıştır. Bir başka tanım da şöyle verilebilir: Zeki veya akıllı sistemlerin algılama, hafıza, anlama, öğrenme, sonuç çıkarma, karar verme ve düşünce üretme, öneride bulunma veya bazı uygulamalar için eylem yapma gibi özelliklerini araştıran, bunları denetleyen ve bu özelliklere sahip bilgisayarlar veya robotlar (yapay sistemler) yapmayı amaçlayan sistematik bir bilim dalıdır. 1. Bilgisayar biliminin alt dalları Yapay Zekâ Yöntemleri Uzman Sistemler (Expert Systems) Bulanık Mantık (Fuzzy Logic) Genetik Algoritmalar (Genetic Algorithms) Yapay Sinir Ağları (Neural Networks) Robotbilim (Robotics) Bilgisayarlı Görüş ve Görüntü İşleme (Image Processing&Computer Vision) Ses Tanıma (Speech Recognition) Doğal Dil Anlama (Natural Language Understanding) Oyun Oynama (Game Playing) Yapay Yaşam (Artificial Life) Veri Madenciliği (Data Mining) Yazılım Etmenleri (Intelligent Agents) Anlamsal (Semantic) Web Dağıtık YZ (Distributed AI) [10] 7 YAPAY ZEKA UYGULAMALARI Konuşma Tanıma: Derin öğrenmenin ilk ve en ikna edici uygulamasıdır. LSTM yapısındaki ağlar her bir zaman adımı 10 ms'ye denk gelen ve binlerce zaman adımından oluşan konuşmaları rahatlıkla tanıyabilir. Cortana, Xbox, Skype Translator, Amazon Alexa, Google Now, Apple Siri, Baidu Görüntü Tanıma: Derin öğrenme ile görüntü tanıma, insan deneklerden daha yüksek doğruluk oranlarıyla "insanüstü" hale geldi. Bu, ilk kez yılında gerçekleşti. Derin öğrenme ile eğitilen araçlar derece kamera görüntüsünü anlayabilir durumdalar. Görsel Sanatlar: Görüntü tanımadaki başarıyı takip eden bazı çalışmalar derin öğrenme ile iki farklı fotoğraf arasında stil transferi yapabiliyor. 1. İlk görüntüyü analiz ederek stilini tanıma 2. Tanınan stili kodlama 3. Kodlanan stili ikinci görsele uygulama Doğal Dil İşleme: Sinir ağları doğal dil işlemede 'lerin başından beri kullanılıyor. Bu alandaki en önemli yenilik LSTM yapıları oldu. Spam algılama, bilgi getirimi, yazı stili tanıma, metin sınıflandırma, konuşma dili tanıma ve makine çevirisinde kullanılıyor. YAPAY SİNİR AĞLARI Yapay sinir ağları, insan beyninin en temel özelliği olan öğrenme yolu ile yeni bilgiler yüretebilme, yeni bilgiler oluşurabilme ve keşfedebilme gibi yetenekleri herhangi br yardım almadan otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar sistemleridir. İnsan beyninin fonksiyonel özelliklerine benzer şekilde; öğrenme, ilişkilendirme, sınıflandırma, genelleme, özellik belirleme ve optimizasyon gibi konularda başarılı bir şekilde uygulanmaktadır. Yapay sinir ağları birbirine hiyerarşik olarak bağlı ve paralel olarak çalışabilen yapay hücrelerden oluşmaktadır. Ağ düğümleri olarak da bilinen bu hücrelerin birbirine bağlandıkları ve her bağlantının bir değerinin olduğu kabul edilmektedir. Bilginin öğrenme yolu ile elde edildiği ve ağ düğümlerinin bağlantı değerlerinde saklandığı 8 dolayısıyla dağıtık bir hafızanın söz konusu olduğu bir sistemdir. Ağ düğümlerinin birbirleri ile bağlanmaları sonucu oluşan ağa yapay sinir ağı denmektedir. Teknik olarak, bir yapay sinir ağının en temel görevi, kendisine gösterilen bir girdi setine karşılık gelebilecek bir çıktı seti belirlemektir. Bunu yapabilmesi için ağ, ilgili olayın örnekleri ile eğitilerek (öğrenme) genelleme yapabilecek yeteneğe kavuşturulur. Bu genelleme ile benzer olaylara karşılık gelen çıktı setleri belirlenir. Yapay sinir ağları bilinen hesaplama yöntemlerinden farklı bir hesaplama yöntemi önermektedir. Bulundukları ortama uyum sağlayan, eksik bilgi ile çalışabilen, belirsizlikler altında karar verebilen, hatalara karşı toleranslı olan bu hesaplama yönteminin hayatın hemen hemen her alanında başarılı uygulamalarını görmek mümkündür. Projede çok katmanlı ve geri beslemeli bir yapay sinir ağı modeli kullanılmıştır. Geri beslemeli yapay sinir ağlarında ileri beslemeli olanların aksine bir nöronun çıktısı sadece kendinden sonra gelen nöron katmanına girdi olarak verilmez. Kendinden önceki katmanda veya kendi katmanında bulunan herhangi bir nörona girdi olarak bağlanabilir. Bu yapısı ile geri beslemeli yapay sinir ağları doğrusal olmayan dinamik bir davranış göstermektedir. Geri besleme özelliğini kazandıran bağlantıların bağlanış şekline göre geri aynı yapay sinir ağıyla farklı davranışta ve yapıda geri beslemeli yapay sinir ağları elde edilebilir. Şekil Yapay sinir ağı katmanları; giriş katmanı, örtüşme ve çıkış katmanı Program devreye girdiğinde standart 33 adet plaka karakteri yapay sinir ağı sistemine alınır ve öğrenme işlemi başlar. Öğrenme işlemi istenilen hata ve öğrenme 9 oranına göre yapılır. Kullanılan geriye doğru beslemeden dolayı da zorluk derecesinede bağlı olarak uzun sürer. Filtreden çıkan görüntü kümeleri yapay sinir ağına tek tek karakter incelemesine yollanır. Her karakterin öğrenme sonucu elde edilen hata ve ağırlık oranlarıyla işleme giren plaka karakterinin oranları karşılaştırılır. Karakterler içerisindeki en yakın veriler sahip olan karakter aranılan karakter olduğu varsayılır ve kümeye eklenir. Yapay sinir ağları, insan beyninin temel birimi olan nöronlara benzer olarak teşkil edilen yapay nöronların farklı topoloji ve ağ modelleriyle birbirine bağlanmasıyla oluşan karmaşık sistemlerdir. Bir yapay sinir ağı, birbiriyle etkileşim içindeki pek çok yapay nöronun paralel bağlı bir hiyerarşik organizasyonudur. Beynin en önemli işlevlerinden birisi de insanın çevresinde olanları öğrenmesi ve denediği bilgileri daha sonra kullanmak üzere depolamasıdır. Çevreden gelen uyarıların değerlendirilmesi ve uygun davranışların geliştirilmesi öğrenme yoluyla olmaktadır. Öğrenilen bilginin saklanmasını ise bellek sağlar. Öğrenme çok geniş bir kavram olup görme, işitme, dokunma, tat ve doku duyguları ile algılanan uyarıların ilişkilendirilme, tekrarlama gibi birden çok beyin işlemi sonucu gerçekleşir. Öğrenmenin doğrudan bir ölçümü yapılamamakta ancak ortaya çıkan davranış değişiklikleri ile değerlendirilebilmektedir. Nöral hesaplama algoritmik programlamaya bir seçenek oluşturan, temel olarak yeni ve farklı bir bilgi işleme tekniğidir. Programda adım adım yürütülen bir yöntemin verilmesi yerine nöral ağ ilişkilendirmeyi yapan iç kurallarını kendi üretir ve bu kuralları, sonuçları örneklerle karşılaştırarak düzenler. En genel anlamda yapay sinir ağları, ileri beslemeli ve geri beslemeli ağlar şeklinde iki ana grupta düşünülebilir. İleri beslemeli ağlarda nöronlar; girdi, saklı ve çıktı olarak adlandırılan katmanlar vasıtasıyla organize edilir. Her bir katmandaki nöronlar, bir sonraki katman nöronları ile bağlantılı ağırlıkları vasıtasıyla ilişkilidir. Ancak katmanların kendi aralarında herhangi bir bağlantı yoktur. Bilgi, girdi katmanından çıktı katmanına doğru ilerler. Buna aktivasyon yönü de denilir. Bu tür ağlar denetimli öğrenme teknikleriyle eğitilir. İmalat sektöründe, üretim esnasında problemlerin tesbit edilmesi ve üretilen mamüllerin kalitesinin devamlı surette gözetlenmesi çalışmalarında Ysa’nın gerçek zamanlı çalışma özelliğinden oldukça fazla istifade edilebilmektedir. Bu konuda yapılan bir çalışmada, algılayıcıdan gelen görüntü değilse hemen ilgili operatörü uyaracak mesajlar gönderilebilmektedir. 10 Görme, belki de insanın sahip olduğu en önemli algılama sistemidir. Öyle ki, insan gözünü çok kısa bir süre dahi olsa, açıp kapaması esnasında, görme organının kendisine kazandıracağı oldukça fazladır. Görme işlemi çevre hakkında birçok görüntüleri de yansıtır. Bu yapay nesne tanıma sistemlerinde, algılama cihazlarının ne kadar karmaşık ve elde edilen bilgilerin işlenmesi içinde bir hayli bilgi ve za Yapay Sinir Ağları Tanımı ve Tarihçesi Yapay sinir ağları örneklerle ilgili bilgiler toplamakta, genellemeler yapmakta ve daha sonra hiç görmediği örnekler ile karşılaştırılınca öğrendiği bilgileri kullanarak o örnekler hakkında karar verebilmektedir. Yapay sinir ağları bu öğrenebilme ve genelleme özellikleri nedeniyle günümüzde birçok bilim alanında geniş uygulama olanağı bulmakta ve karmaşık problemleri başarı ile çözebilme yeteneğini ortaya koymaktadır (Ergezer vd, ). Diğer bir tanıma göre yapay sinir ağları; insan beyninden esinlenerek geliştirilmiş, ağırlıklı bağlantılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bilgi isleme yapıları; bir başka deyişle, biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır (Elmas, ). Yapay sinir ağlarının dayandığı ilk hesaplama modelinin temelleri ’ların başında araştırmalarına başlayan W.S. McCulloch ve W.A. Pitts’in, yılında yayınladıkları bir makaleyle atılmış olmuştur. Daha sonra yılında B.G. Farley ve W.A. Clark tarafından bir ağ içerisinde uyarılara tepki veren, uyarılara adapte olabilen model oluşturulmuştur. yılı ise ilk neural bilgisayarın ortaya çıkış yılıdır. yılında basit modellerin ilk eksiklikleri fark edilmiş, ancak başarılı sonuçların alınması ve ’lerde termodinamikteki teorik yapıların doğrusal olmayan ağların geliştirilmesinde kullanılmasına kadar gecikmiştir. yapay sinir ağlarının oldukça tanındığı, yoğun araştırmaların başladığı yıl olmuştur (Mehra Pankaj Wah W Benjamin, ). Yapay sinir ağlarının kullanım alanları: Kontrol ve sistem tanımlama, görüntü ve ses tanıma, tahmin ve kestirim, arıza analizi, tıp, haberleşme, trafik, üretim yönetimi olarak sayılabilir. 11 Tablo Geleneksel Algoritmalar ile YSA’ların Karşılaştırılması Geleneksel Algoritmalar Yapay Sinir Ağları Çıkışlar, koyulan kurallara girişlerin Öğrenme esnasında giriş çıkış bilgileri uygulanması ile elde edilir. verilerek, kurallar koyulur. Bilgiler ve algoritmalar kesindir. Deneyimden yararlanır. Hesaplama; merkezi, eş zamanlı ve Hesaplama; toplu, eş zamansız ve ardışıktır. öğrenmeden sonra paraleldir. Bellek paketlenmiş ve hazır bilgi Bellek ayrılmış ve ağa yayılmıştır. depolanmıştır. Hata toleransı yoktur. Hata toleransı vardır. Nispeten hızlıdır. Yavaş ve donanıma bağımlıdır. Yapay Sinir Yapısı Biyolojik sinir ağlarının sinir hücresi olduğu gibi yapay sinir ağlarının da yapay sinir hücreleri vardır. Yapay sinir hücreleri mühendislik biliminde proses elemanları olarak da adlandırılmaktadır. Öztemel () tüm bu proses elemanlarını (Şekil 2) ki bunların da 5 temel elemanı vardır Yapay Sinir Ağlarında Öğrenme ve Ağın Eğitilmesi: Yapay sinir ağları klasik programlama gibi belirli bir algoritma çerçevesinde programlanmazlar. Sinir ağları insanlar gibi örnekler ile eğitilirler. Yapay sinir ağlarının öğrenmesi bir çocuğun öğrenmesi gibidir. Sıcak bir nesneye dokunmaması gerektiğini deneyerek öğrenen çocuklar, zamanla daha az sıcak olan bir cisme dokunabilme cesaretini gösterirler ve sıcak süt dolu bardağı elleriyle tutarlar. Yani çocuk sıcaklık bilgisini öğrenmiş olmaktadır. Yapay nöronlar da benzer olarak, mevcut örnek kümesi üzerinde girdi ile çıktı arasındaki bağıntının ağırlıklarının değiştirilmesiyle eğitilirler. Sunulan girdi kümesi için, transfer fonksiyonu tarafından sağlanan değerlere cevap olarak bağlantı ağırlıklarının tamamının veya bir kısmının, istenen çıktı ile ağ çıktısı arasındaki 12 farkın belirli bir değere düşünceye kadar değiştirilmesidir. Bu amaçla günümüze kadar çeşitli öğrenme algoritmaları geliştirilmiştir. Bunlar; Temel olarak denetimi öğrenme, Denetimsiz öğrenme Takviyeli öğrenme olarak üç ana gruba ayrılır. Denetimli öğrenmede sinir ağına hem girdi hem de çıktı değerleri sunulur. Ağın ürettiği çıktı ile istenen çıktı arasındaki fark sıfır veya ona yakın bir değere gelinceye kadar ağırlıklar değiştirilir. Bu tür öğrenme modelini kullanan ağlar; Perceptron ve ilişkili hafızalar, Takviyeli öğrenme, Stokastik öğrenme, Vektör nicelik öğrenmesi, Delta ve genelleştirilmiş delta kuralı, Geri yayılma algoritması, stokastik öğrenme. Denetimsiz öğrenmede ağa sadece girdi vektörü uygulanır. Girdi değerlerine uygun bir çıktı üretilinceye kadar bağlantı ağırlıkları değiştirilir. Bu metot; Görüntü işleme, İşaret işleme, Kontrol problemlerinde etkin olarak kullanılır. Kohonen’in kendini düzenleyen uzaylar ve “Adaptif Rezonans Teorisi (ART)” denetimsiz öğrenmeye örnek olarak verilebilir. Takviyeli öğrenmede ise giriş değerlerine karşılık gelecek uygun çıktıların elde edilmesi sırasında ağırlıkların en uygun değerlerinin bulunmasında genetik algoritmalar veya optimizasyon yöntemleri kullanılır. Böylece ağırlıklar optimize edilmektedir. Bunların dışında hibrit (karma) öğrenme algoritmaları da geliştirilmiştir. 13 Sinir Sistemi → Yapay Sinir Ağı Nöron → İşlem Elemanı Dentrit → Toplama Fonksiyonu Hücre Gövdesi → Aktivasyon Fonksiyonu Akson → Eleman Çıkışı Sinaps → Ağırlıklar AĞ YAPILARI İleri beslemeli sinir ağı: Girdiler, girdi katmanından çıktı katmanına kadar bir kez geçerler. Yinelemeli Sinir Ağı: Girdiler, sinir ağı içinde her yönde hareket edebilir ve bir kez geçtikleri yerden tekrar tekrar geçebilirler. Evrişimli Sinir Ağı (Convolutional Neural Network: CNN): Görsel ya da diğer iki boyutlu yapıdaki veriler için oldukça verimlidir. Diğer ileri beslemeli ağlara göre eğitilmesi daha kolaydır ve genellikle daha az parametre gerektirir. Nesne tanıma, el yazısı tanıma ve konuşma uygulamalarında rahatlıkla kullanılabilir. Uzun-Kısa Hafıza Sinir Ağı: Binlerce hatta milyonlarca zaman önce olmuş olayların hatırlanmasını gerektiren derin öğrenme görevlerinini öğrenebilir. Konuşma tanıma, makine çevirisi gibi sıralamanın ve bağlamın önemli olduğu görevlerde oldukça başarılıdır. 'te Google'ın konuşma tanıma sistemi LSTM sayesinde %49'luk bir iyileşme gösterdi. CNN ile birlikte kullanıldığında otomatik görüntü tasvirinde kullanılabilir. Yapay Sinir Ağlarının özellikleri YSA hesaplama ve bilgi işleme gücünü, paralel dağılmış yapısından, öğrenebilme ve genelleme yeteneğinden alır. Genelleme, eğitim ya da öğrenme sürecinde benzer girişler için de YSA’ nın uygun tepkileri üretmesi olarak tanımlanır. Bu üstün özellikleri, YSA’ nın karmaşık problemleri çözebilme yeteneğini gösterir. Günümüzde birçok alanda YSA, aşağıdaki özellikleri nedeniyle etkin olarak uygulanabilmiştir. 14 Doğrusal Olmama YSA’ nın temel işlem elemanı olan nöron, doğrusal değildir. Dolayısıyla nöronların birleşmesinden meydana gelen YSA da doğrusal değildir ve bu özellik bütün ağa yayılmış durumdadır. Bu özelliği ile YSA, doğrusal olmayan karmaşık problemlerin çözümünde önemli bir araç olmuştur. Paralellik Alışılagelmiş bilgi işlem veya klasik programlama tekniklerinin büyük bir çoğunluğu seri işlemlerden oluşmaktadır. Bu tarz çalışma, paralel bilgi işlem tekniği yanında çok yavaş kalmaktadır. Öğrenme YSA’nın arzu edilen davranışı gösterebilmesi için amaca uygun olarak eğitilmesi gerekir. Bu, nöronlar arasında doğru bağlantıların yapılması ve bağlantıların uygun ağırlıklara sahip olması gerektiğini ifade eder. YSA’ nın karmaşık yapısı nedeniyle bağlantılar ve ağırlıklar önceden atanmış olarak verilemez ya da tasarlanamaz. Bu nedenle YSA, istenen davranışı gösterecek şekilde söz konusu problemden alınan eğitim örneklerini kullanarak eğitilmelidir. Genelleme YSA, belirli bir problemi öğrendikten sonra eğitim sırasında karşılaşmadığı benzer test örnekleri için de arzu edilen tepkiyi üretebilir. Örneğin, karakter tanıma amacıyla eğitilmiş bir YSA, bozuk karakter girişlerinde de doğru karakterleri verebilir ya da bir sistemin eğitilmiş YSA modeli, eğitim sürecinde verilmeyen giriş sinyalleri için de sistemle aynı davranışı gösterebilir. Uyarlanabilirlik YSA, çözümü için eğitilmiş olduğu problemdeki değişikliklere göre ağırlıklarını ayarlayabilme yeteneğine sahiptir. Yani, belirli bir problemi çözmek amacıyla eğitilen YSA, problemdeki değişimlere göre tekrar eğitilebilir ve değişimler devamlı ise gerçek zamanda da eğitime devam edilebilir. Bu özelliği ile YSA, uyarlamalı örnek tanıma, sinyal işleme, sistem tanımlama ve denetim gibi alanlarda etkin olarak kullanılır. 15 Hata Toleransı YSA, çok sayıda hücrenin çeşitli şekillerde bağlanmasından oluştuğu için paralel dağılmış bir yapıya sahiptir ve ağın sahip olduğu bilgi, ağdaki bütün bağlantılar üzerine dağılmış durumdadır. Bu nedenle, eğitilmiş bir YSA’nın bazı bağlantılarının hatta bazı nöronlarının etkisiz hale gelmesi, ağın doğru bilgi üretmesini önemli ölçüde etkilemez. Bu nedenle, geleneksel yöntemlere göre hatayı tolere etme yetenekleri son derece yüksektir. Hız Klasik programlama sayısal işlemlerde hızlı ise de çeşitli problem tiplerinde (karakter tanıma, simülasyon, sinyal işleme vb.) mantıksal programlama daha üstündür. Yani bilgi işlemede günümüzdeki en önemli etken hızdır. Örneğin insan beyninin eş zamanlı çalışması ve hızı günümüz teknolojisine sahip bilim adamlarını şaşırtmaktadır. Yapay sinir ağları klasik programlamadan kat kat daha hızlı veri işleyebilmekte ve sonuçlandırabilmektedir. Gerçekleşen Kolaylığı Yapay sinir ağı, karışık fonksiyonlar yerine basit işlemleri içerdiği için gerçeklemek daha kolaydır. Yerel Bilgi İşleme Yapay sinir ağlarında her bir işlem birimi, çözülecek problemin tümü ile ilgilenmek yerine, sadece problemin bir parçası ile ilgilenmektedir. Hücreler çok basit işlemler yapmalarına rağmen, sağlanan görev paylaşımı sayesinde çok karmaşık ve zor problemler çözülebilmektedir. Yapay sinir ağları; ses tanıma, yazılan karakteri tanıma, robot kontrolü, resim işleme ve yüz tanıma sistemlerinde çok sık olarak kullanılmaktadır. Görüntü tanımada kullanılan çok çeşitli teknikler olmasına rağmen, bu tekniklerin büyük çoğunluğu insan algısı modellenmeden geliştirilmiş tekniklerdir. Bu noktada ilk yapılması gereken, resimleri bilgisayar için anlamlı hale getirmektir. Bilgisayarda resimler, insan için fazla anlamlı olmayan sayı kümeleri halinde tanımlanır ve resimler üzerinde yapılacak her iş, bu sayı kümesi üzerindeki matris operasyonları sayesinde 16 yapılır. Yapılan tüm bu hesaplamaların, gerçekte beyindeki elektrik sinyalleri ile yapıldığı, hatta tıpa tıp aynı şekilde gerçekleştiği söylenebilir. Sonuçta, bilgisayarda 1 veya 0 olarak işlenen veri, beyindeki pozitif (+) ve negatif (-) voltaja karşılık gelmektedir. İnsanın gördüğü nesneyi tekrar tanıma işlemi en basit anlamda o nesneyi bir şekilde hafızaya kaydetmesi ile başlar. Yeni bir görüntü aldığında ise elektrik sinyallerinden oluşan bu görüntüyü bir şekilde hafızasındakilerle karşılaştırır. Bu karşılaştırma bilinen anlamda olmaktan öte, değişik hesaplamalarla yapılır. İşte bu işlemler, yapay sinirler için de hemen hemen aynıdır. Yalnız burada sinyaller değil, çeşitli matematiksel hesaplamalar söz konusudur. Girişler Çıkışlar Giriş katmanı Gizli katmanlar Çıkış katmanları Şekil YSA modeli Yapay Sinir Ağları hangi tür problemlerin çözümünde kullanılır? Sınıflandırma: Yapay sinir ağına bir girdi vektörü sunulur ve ağ çıktı olarak örnek bir sınıf üretir. Karakter Karşılaştırma: Nöral ağa bir girdi sunulur ve ağ buna karşılık bir çıktı üretir. Karakter Tanımlama: Tam olmayan bir karakter (eksik veya silik bir yazı, gürültülü bir görüntü veya ses) ağa girdi olarak sunulur, ağ; hatalı ve eksik kısmı tamamlayarak, doldurarak çıktı üretir. Gürültü Giderme: Gürültüyle bozulmuş bir girdi karakteri ağa sunulur ve ağ gürültünün bir kısmın veya tamamını kaldırır ve temizlenmiş olarak yeni bir çıktı üretir. Optimizasyon: Spesifik bir optimizasyon problemi için bir başlangıç değeri, ağa girdi olarak sunulur ve ağ probleme çözüm olabilecek bir değişkenler kümesi üretir. 17 Kontrol: Girdi örneği kontrolcü için mevcut duruma ait verdiler ile planlanan tepki için veriler içermektedir. Bu küme sinir ağı tarafından işlendiğinde ağ, istenilen tepkiyi üretecek komut sıralarını üretir. Bilim ve Mühendislik: Verilen araştırma ve testler için karmaşık modellerin yaratılması, doğrusal ve doğrusal olmayan model davranışları, çok değişkenli eğri uyumları akışkan modellemesi, iklim modellenmesi ve geleneksel istatistik ve regresyon tekniklerinin yetersiz kaldığı alanlarda. Üretim: Kalite kontrolü ve analizlerin testi görüntü ve ses verilerini kullanarak model kuran ve geliştirme, otomasyon üretiminin verimini arttırma. Finansman ve Yatırım: Kredi değerlerinin analizi, sigorta riskleri, opsiyon ve gelecek trend stok yatırım analizleri vb. Tıp: Hastalık nedenlerinin saptanması ve sınıflandırılması için gerçek zamanlı EKG görüntülenmesi genetik ve kan örnekleme haritaları oluşturulması amacıyla modelleme yapma. Spor: At yarışları ve araba yarışlarında model kuram ve tahmin, loto vb. oyunlarında tahmin sistemleri geliştirme. Nöronların Yapıları Nöronlar, YSA’nın en temel yapı taşlarıdır. İşlenecek verilerin depolandığı ve sonrasında ağırlıklandırılarak işleme sokulduğu birimlerdir. Giriş Kutupsuz nöron Giriş Kutuplu a = f(w*p) a= f(w*p+b) Şekil Nöronların temel blok şeması “p “sabit girişi, “w” değeri ile ağırlıklandırılarak fonksiyona girer ve bir sabit değer çıkarır. Diğer yandan “p” sabit girişi, “w” değeri ile ağırlıklandırıldıktan sonra “b” sabit değeri ile toplanarak “f” fonksiyonuna girer. Fonksiyonun çıktısı yine bir sabit değerdir. 18 “b” değerinin sabit bir giriş değil, YSA’nın eğitimi sırasında hesaplanan kutup katsayıları olduğu gözden kaçırılmamalıdır.“f” fonksiyonu, aktivasyon fonksiyonu olarak bilinir. Tek Katmanlı Algılayıcılar Tek katmanlı yapay sinir ağları doğrusal problemlerin çözümünde kullanılıp sadece girdi ve çıktı katmanından oluşmaktadır. Katmanların bir veya daha fazla nöronu bulunabilmektedir. Şekil ’te basit bir tek katmanlı algılayıcı modeli gösterilmiştir. Şekil Tek Katmanlı Algılayıcı (TKA) Model Eşik girdisi, bu tip ağlarda nöron elemanlarının değerlerinin ve de ağın çıktısının 0 olmasını önler. Değeri daima 1’dir. Ağın çıktısı Denklem ’de gösterildiği gibi ağırlıklandırılmış girdi değerlerinin eşik değeri ile toplanması sonucu elde edilir. Ç= f[∑𝑛𝑖=1(𝑤𝑖 ∗ 𝑥𝑖 + ∅) ] () Denklem ’de xi, 𝑖 = 1,2, …, 𝑛 ile ağın girdileri, wi, 𝑖 = 1,2, …, n ile bu girdilere karşılık gelen ağırlık değerleri, 𝜙 ile eşik değeri gösterilmiştir. Tek katmanlı algılayıcıda çıktı fonksiyonu doğrusaldır. Böylelikle, ağa gösterilen örnekler eşik değer fonksiyonu ile iki sınıf arasında paylaştırılarak iki sınıfı birbirinden ayıran doğru bulunmaya çalışılır. Ağın çıktısı 1 veya −1 değeri alır. Eşik değer fonksiyonu Denklem ’ de gösterilmiştir. 1, Ç ≥ 0 f(g)= { () −1, Ç ≤ 0 Sınıf ayracı doğrusu Denklem ’teki gibi tanımlanmaktadır. W1X1 + W2X2+ 𝜙=0 () Buradan; W2 𝜙 X1=-𝑊1 𝑋2 − 𝑊1 () 19 W2 𝜙 X1=-𝑊1 𝑋1 − 𝑊2 () olarak elde edilir. Denklem ve kullanılarak Şekil ’ de geometrik gösterimi verilen sınıf ayracı doğrusu çizilebilmektedir. Şekil Sınıf Ayıracı Doğrusu Ağırlık değerleri, sınıf ayracı doğrusunun her iki grubu en iyi ayıracak şekilde belirlenmesi için her iterasyonda Denklem ’daki formül ile değiştirilir. Wi(t+1) =Wi(t)+∆Wi(t) () Eşik değeri de sınıf ayıracı doğrusunu sınıflar arasında kaydırmak için her iterasyonda Denklem ’deki formül ile güncellenir. ϕ(t+1) =ϕ(t)+Δϕ(t) () Tek katmanlı algılayıcılarda başlıca iki modelden söz edilebilir. Bunlar; Perceptron Modeli Adaline/Madaline Model’idir Çok Katmanlı Algılayıcılar Tek katmanlı algılayıcıların doğrusal olmayan problemlerin çözümünde başarısız olmasının üzerine geliştirilen çok katmanlı algılayıcılar (ÇKA), bilgi girişinin yapıldığı girdi katmanı, bir veya daha fazla gizli (ara) katman ve bir çıktı katmanından oluşmaktadır. ÇKA’da katmanlar arası ileri ve geri yayılım olarak adlandırılan geçişler 20 bulunur. İleri yayılım safhasında, ağın çıktısı ve hata değeri hesaplanır. Geri yayılım safhasında ise hesaplanan hata değerinin minimize edilmesi için katmanlar arası bağlantı ağırlık değerleri güncellenir. Şekil ’de ÇKA yapısı gösterilmiştir. ÇKA modeli doğrusal perceptrondaki en küçük kareler algoritmasının genelleştirilmesi olan geri yayılım (backpropagation) öğrenme algoritmasını kullanır. Eşik(Bias) Eşik(Bias) Giriş katmanı Gizli katman Çıkış katmanı Şekil ÇKA Modeli Giriş Katmanı: Dış dünyadan gelen girdileri alarak ara katmana gönderir. Bu katmanda bilgi işleme olmaz. Gelen her bilgi geldiği gibi bir sonraki katmana gider. Her proses elemanın sadece bir tane girdisi ve bir tane çıktısı vardır. Yani, girdi katmanındaki her proses elemanı bir sonraki katmanda bulunan proses elemanlarının hepsine bağlanır. Ara Katmanı: Ara katmanlar girdi katmanından gelen bilgileri işleyerek bir sonraki katmana gönderir. Çok katmanlı bir ağda birden fazla ara katman ve her katmanda birden fazla proses elemanı bulunabilir. Çıkış Katmanı: Ara katmandan gelen bilgileri işleyerek ağa girdi katmanından verilen girdilere karşılık ağın ürettiği çıkışları belirleyerek dış dünyaya gönderir. Genel kavram olarak aktivasyon fonksiyonu, bir değişkeni farklı bir boyuta taşıyan doğrusal veya doğrusal olmayan bir fonksiyondur. Türevinin kolay alınabilmesi eğitim hızını arttırır. Sıklıkla kullanılan üç aktivasyon fonksiyonu vardır: Sigmoid, Hiperbolik Tanjant ve Adım Basamak. 21 şekil Sigmoid 𝟏 𝝈(𝒙) = () 𝟏+𝒆−𝒙 SİGMOİD Sayıları [0,1] arasında sıkıştırır. Geçmişte oldukça popülerdi. Gradient ölümü olabiliyor. 0 odaklı değil. exp () hesaplanması yavaş. Şekil Hiperbolik tanjant 22 𝟐 𝒕𝒂𝒏𝒉(𝒙) = −𝟏 () 𝟏+𝒆−𝟐𝒙 Hiperbolik tanjant [-1, 1] arasına sıkıştırır. Sıfır odaklı. Hala gradient ölümü olabiliyor. Şekil Leaky reLU F(x) = max (x, x) () Leaky reLU Relu’nun getirdiği tüm avantajlar. Sıfır odaklı olduğu için nöron ölümü yok. 23 Şekil reLU F(x) = max (0.x) () reLU Negatifse 0, pozitifse olduğu gibi geçiyor Sıfır odaklı değil Gradient ölümü yok. Bazı nöronlar ölebiliyor. Bilgisayar daha kolay hesaplar. Biyolojik nörona daha yakın. Şekil Exponential linear unit (ELU) 24 𝜶(𝒆^𝒙 − 𝟏) 𝒇𝒐𝒓 𝒙 < 𝟎 𝒇(𝜶, 𝒙) = { () 𝒙 𝒇𝒐𝒓 𝒙 ≥ 𝟎 Exponential linear unit (ELU) Exp () reLU ya göre daha düşüktür. OVERFITTING OPTIMUM UNDERFITTING Şekil Eğitim durumları OVERFITTING: Eğitilen modelin eğitim setini çok iyi öğrenip genelleştirme yapamamasına denir. Modeli genelleştiremez. UNDERFITTING: Eğitilen model eğitim setini ve veriyi hiç öğrenememe durumudur. OPTİMUM: Eğitilen model eğitim setini optimum şekilde öğrenir ve bilmediği sonuç geldiğinde daha iyi sonuçlar verir. Geri Yayılım Algoritması Geri yayılım (backpropagation), algoritması, ağın çıktısının belirlendiği ileri besleme ve oluşan hatanın gradiyenti azaltacak şekilde geri yayılarak ağırlıkların güncellendiği geri besleme safhalarından oluşmaktadır. İleri besleme safhasında, eğitim setinin girdileri ağın giriş katmanına sunulur. Giriş katmanı, bu girdileri alan nöronları içerir. Bu sebeple giriş katmanındaki nöron sayısının veri setindeki girdi değeri sayısıyla aynı olması gerekir. Giriş katmanındaki nöronlar girdi değerlerini doğrudan gizli katmana iletir. Gizli katmandaki her bir nöron, ağırlıklandırılmış girdi değerlerine eşik değeri de ekleyerek toplam değeri hesap eder ve bunları bir aktivasyon fonksiyonu ile işleyerek bir sonraki katmana veya doğrudan çıkış katmanına iletir. Katmanlar arasındaki ağırlıklar başlangıçta genellikle rasgele seçilir. Çıkış katmanındaki, her bir nöronun net girdisi, ağırlıklandırılmış girdi değerlerine eşik değerin eklenmesiyle hesaplandıktan sonra, bu 25 değer yine aktivasyon fonksiyonu ile işlenerek çıktı değerleri belirlenir. Ağın çıktı değerleri beklenen çıktı değerleri ile karşılaştırılarak hata değeri hesaplanır. Bu sebeple, çıkış katmanında bulunacak nöronların sayısı veri setindeki çıktı sayısı ile örtüşmelidir. Genetik Algoritma Kısaca tanımlanması gerekirse, genetik algoritmalar en genel anlamda, biyolojik sistemlerle benzer olarak, evrimin bilgisayarlara uygulanmasıyla oluşan basit bir sistemlerdir. Genetik algoritmalar, evrim teorisinden esinlenerek geliştirilmiş, seçim ve yeniden üretim operatörlerini kullanarak arama uzayındaki yeni noktaların belirlendiği, popülasyon esasına dayalı arama, optimizasyon ve yapay öğrenme algoritmalarıdır. Bu algoritmalarda, problemin potansiyel çözüm kümeleri, kromozom benzeri veri yapılarına dönüşür ve bu veri yapılarına bazı genetik işlemler (yeniden üretim, çaprazlama, değişim) uygulanarak değişik yeni çözümler üretilir. Genetik biliminde, kromozomlar canlılarla ilgili kritik bilgilerin saklandığı birimlerdir. Genetik algoritmalarda ise, çözümü istenen problemle ilgili bağımsız değişkenler, problemin kritik bilgilerini oluşturur. Genetik algoritma, problem için, bilgisayar hafızasında oluşturulan alternatiflerin veya genetik algoritma terminolojisiyle, kromozomların en uygun çözüm için seçilime tabi tutulması, yani oluşacak kombinasyonlar içinde en uygun olanın seçimi işlemidir. Dolayısıyla genetik algoritma biraz farklı olmakla beraber bir stokastik araştırma metodudur. Genetik algoritma tekniği Genetik algoritma tekniğiyle bir problemin analizinde çözüm uzayı sonsuz sayıda nokta ile taranmaktadır. Yani oluşturulan bireyler (çözüm adayları), çözümü gerçekleyen en uygun bireyin bulunması için bir tür yapay seçilime uğratılmaktadır. Ancak genetik algoritmada matematiksel tekniklerde olduğu gibi çözüm uzayının araştırılmasında bazı özel tekniklere (türev, enerji metotları vb.) başvurmaya gerek yoktur. Çünkü genetik algoritma daha çok deterministik olan bir bölge ve/veya alan üzerinde randomize edilmiş operatörler kullanmakta ve çözüm için, örneğin optimizasyon (eniyileme) problemlerinde yerel bir uçdeğeri hiçbir zaman çözüm gibi kabul etme hatasına düşmemektedir. Genetik algoritma, bilgisayar üzerinde oluşturulan bir tür evrim şeklidir. Değişik planlama teknikleri, bir fonksiyonun optimizasyonu, lineer olmayan sistemlerin çözümü, ardışık 26 değerlerin tespiti gibi pek çok problem tiplerini içine alan geniş bir uygulama alanına sahiptir. En genel çerçevede genetik algoritmalar, biyolojik sistemlere benzer olarak, evrimin bilgisayar ortamında bir tür yazılım tekniğiyle gerçekleştirilmesidir. Genetik algoritmaların yazılım vasıtasıyla belirli bir program için geliştirilmesinde mümkün olan pek çok alternatif standartlaştırılmıştır: Uygun bireylerin seçilmesi, Başlangıç popülasyonunun oluşturulması ve değerlendirme, Gen havuzunun oluşturulması, Çaprazlama ve mutasyon, Yeni populasyonun oluşturulması. Genetik algoritma tekniğinin uygulandığı ve başarılı sonuçlar verdiği problem tipleri daha çok klasik programlama teknikleri ile çözülmeyen veya çözüm süresi çok uzun olan problemlerdir. Bunlar: Doğrusal olmayan denklem sistemlerinin çözümü, Optimizasyon, Üretim planlanması, Çok parametreli fonksiyonların optimizasyonudur. Genetik algoritmanın diğer tekniklere göre avantajı ve dezavantajları nelerdir Genetik algoritmalarda herhangi bir problemi modellemek ve çözmek için herhangi bir özel forma veya bilgiye gerek yoktur. Klasik optimizasyon tekniklerinde problemin çözümü için tek noktalı bir yaklaşım yeterlidir. Ancak genetik algoritma başta da belirttiğimiz gibi, çözüm uzayını sonsuz sayıda nokta ile taramaktadır. Genetik algoritma, dinamik programlama sınıfına dahil olduğundan, karmaşık problem tipleri için çok uygun bir yapı teşkil eder ve problemin çözümü için çok etkili bir çözüm uzayı oluşturur. Genetik algoritma, süreksizlik gösteren problemler için çok uygun sonuçlar vermektedir. Yine kafes ve çerçeve elemanların şekil ve ağırlık optimizasyonunda etkili olarak 27 kullanılabilir. Bütün bu olumlu arafları yanında genetik algoritma tekniğin bazı dezavantajları vardır. Genetik algoritma sınırlı büyüklükler üzerinde araştırma yaptığında, sonuçlarda bazı seçme hataları olabilmektedir. Bunun yanında populasyon büyüklüğünün seçilmesi sırasında, kromozom uzunluğu ve mutasyon işlemleri dikkate alınmadığı taktirde çözüm süresi uzamakta ve program bir kısırdöngüye girebilmektedir. Genetik algoritmaların temelinde mümkün olan birçok varyans olmasına rağmen, topluluk üzerinde icra edilen belli başlı işlemler rölatif olarak standartlaştırılmıştır. Bu işlemler üç aşamadan oluşmaktadır: Bireylerin uygunluklarının değerlendirilmesi, Gen havuzunun oluşturulması, Rekombinasyon, Mutasyon. Genetik Algoritmanın Uygulandığı Alanlar ise, VLSI yonga tasarımı, Fabrika üretim planlaması, Sınav/ders programı hazırlama, İş ve/veya yatırım programı hazırlama, Doğrusal olmayan denklem sistemlerinin çözümü, Kafes sistemlerin optimizasyonu, Rüzgâr türbinlerinin optimizasyonu, Borsa ve ekonomik işlemler, Askeri uygulamalar (strateji belirleme), Şebekeler için (kablo, içme suyu, kanalizasyon, elektrik, yol vb.) en uygun çözümün bulunması 28 Veri Madenciliği (Data Mining) Verileri depolama ve işleme araçlarının sayısı oldukça artmıştır. Bu artış beraberinde ilk yıllarda depolama ortamlarının yetersizliğini gündeme getirse de yaklaşık olarak her yıl defalarca katlanan depolama kapasitesi sayesinde bu sorun büyük ölçüde giderilmiştir. Ancak bu defa da depolanan büyük verilerin analiz edilmesi ve faydalı bilginin ortaya çıkarılması aşamasında, verinin büyüklüğü ve dolayısı ile analizi gerçekleştiren mikroişlemci ve RAM bellek sorunları ortaya çıkmıştır. Özellikle internetin her gün devasa veriler ürettiği günümüzde bu sorun daha da belirgin bir hal almıştır. Yapay zeka ve veri madenciliği teknikleri büyük verilerden anlamlı ve faydalı bilgiler elde etmeyi amaçlayan birbiri ile derin ilişkili iki disiplindir. Büyük veriler üzerinde bu disiplinlerin ortaya koyduğu metotlar, araştırmacılar tarafından sıklıkla kullanılmaktadır. Yüksek başarımlı hesaplama ise araştırmacıların karşılaştığı donanım yetersizlikleri ve uzun analiz sürelerini ortadan kaldırmayı amaçlamış bir diğer disiplindir. Bu projede yüksek başarımlı hesaplama yöntemlerinin yapay zeka ve veri madenciliği uygulamalarında kullanılabilirliği araştırılmıştır. Araştırmanın ilk bölümünde yapay zeka, veri madenciliği ve yüksek başarımlı hesaplama konularında bilgi verilmiş. İkinci bölümde araştırmada kullanılan yöntem ve gereçler anlatılmış, farklı işletim sistemleri üzerinde yapay zeka, veri madenciliği ve yüksek başarımlı hesaplama yazılımlarının kullanımı ve performansları örnek veri seti ile incelenmiş, son bölümde ise araştırmada elde edilen bulgular ve sonuçlar aktarılarak tartışmaya açılmıştır. Görüntü İşleme Temel Kuramları Resim ile ilgili temek tanımların bilinmesi, renk bileşenlerinin ve renk bölgelerinin bilinmesi resim işleme çalışmalarının yapılabilmesi için ön koşullardır. Resmin tanımı Resim nesnelerden yansıyan ışığın, ışığa duyarlı bir yüzey üzerine düşmesi ve düştüğü yüzeyde iz bırakması ile oluşur. Işığa duyarlı yüzey, fotoğraf filmi olabileceği gibi, sayısal bir kameraya ait CCD (charge coupled device) de olabilir. Sayısal kameralarda, ışığın düştüğü yüzeyde, her bir hücrede (piksel) ışığın şiddetine göre sayısal değerler oluşur. Bu değerlerin bir bütün olarak yeniden görüntülenmesi ile sayısal resim elde edilmiş olur. 29 Şekil Sayısal resim ve görüntü matrisi Siyah-beyaz iki renk resimleri için piksellerin alabileceği en büyük ve en küçük değerler sırası ile 0 ve 1’dir. Görüntü matrisinin yapısı şekil ’te görüldüğü gibi m x n şeklindedir. Gri resimler için her pikselin alabileceği en büyük ve en küçük değerler sırası ile 0 ve tir. Görüntü matrisinin yapısı Şekil ’te görüldüğü gibi m x n şeklindedir. Renkli resimlerin yapısı ise yukarıda bahsedilen, siyah-beyaz ve gri resimlerden farklıdır. Kırmızı, yeşil ve mavi ana renk bileşenlerinin her biri ayrı ayrı üç farklı matriste tutulur. Bahsi geçen üç matrisin bir arada, üst üste görüntülenmesi ile gerçek renk bileşenleri oluşur. Şekil Renkli resim 30 Resim bölgeleri Resim bölgelerinin seçimi, sonuçlar açısından oldukça etkilidir. Renk bölgelerine ait teori kısmının biliniyor olması, sonuca giderken işlemsel açıdan kolaylıkları beraberinde getirecektir. Renk elektromanyetik tayfın, insan görme sistemi (HVS: human visual system) tarafından yaklaşık ile nm aralığında ölçülebilen kısmıdır. Renk bölgeleri; insanoğlunun elektromanyetik tayf üzerinde tanımlayabildiği renkleri sınıflandırması esasına dayanır. RGB bölgesi İnsan görme sistemi, RGB (kırmızı, yeşil, mavi-red, green, blue) renk bölgesinde algılama yapar. CIE (Commision Internationale de L'Eclairage) renk bölgeleri CIE tarafından ortaya konmuş, cihaz bağımsızlığı ve algısal doğrusallığı gibi önemli avantajlara sahip bölgelerdir. Gözle görülebilen tayfı tanımlayabilmek için, insan gözünün ışığı ilk algıladığı andan itibaren, resmi hafızada depolama ve işleme aşamalarını bilmek gerekir. “Trichromatic” teoriye göre (Maxwell et al. ) ışığa duyarlı üç tip almaç (sensör) vardır. Bu almaçlar tayfın, kırmızı, yeşil ve mavi renk bölgelerine duyarlıdır. L tipi almaçlar : Uzun dalga boyuna sahip renklere duyarlıdır. M tipi almaçlar: Orta dalga boyuna sahip renklere duyarlıdır. S tipi almaçlar: Kısa dalga boyuna sahip renklere duyarlıdır. Resim çeken cihazların büyük çoğunluğunda, LMS tipi ışık almaçları kullanılır. Bu almaçlarla fotoğraflanmış resimlerde renk, üç temel bileşenden oluşur: kırmızı, yeşil ve mavi (RGB) R=∫ 𝑆(𝜆 )𝑅(𝜆 )𝑑𝜆 B=∫ 𝑆(𝜆 )𝐺(𝜆 )𝑑𝜆 () 31 G=∫ 𝑆(𝜆 )𝐵(𝜆 )𝑑 𝜆 S(λ) : Parlaklık tayfı R(λ): Kırmızı renge duyarlı almacın hassasiyeti G(λ): Yeşil renge duyarlı almacın hassasiyeti B(λ): Mavi renge duyarlı almacın hassasiyeti Yukarıdaki ifadelerde görüldüğü gibi RGB renk bölgesi: resmi çeken kameranın, sensör hassasiyetine bağlı olarak farklı sonuçlar verebilmektedir. Bu sonuçtan hareketle; RGB renk bölgesi, cihaz bağımlıdır. Karşıt Renk Bölgesi (Opponent Colour Spaces) Alman fizyolojist, Ewald Hering YY’nin sonlarında karşıt renkler teorisini ortaya atmıştır. Bazı renkler asla bir arada anılmazlar ya da birbirlerine karıştırılmazlar (Tkalcic ). Kırmızımsı bir yeşil ya da sarımsı bir mavi’den bahsedildiği hiç duyulmamıştır. Hering çalışmalarına başlarken, üç tip ışık algılayıcı olduğunu varsaymıştır: siyah-beyaz, sarı-mavi ve kırmızı-yeşil. Bu yaklaşım “trichromatic” teorinin zıttıdır (L, M, S ışık algılayıcıları). Daha sonraları araştırmacılar, insan görme sisteminde bulunan bir katmanın, zıt renk vektörleri içinden seçtiği değerleri, RGB değerlerine çeviren koni hücrelerinin varlığını tespit etmişlerdir. Bu vektör bir adet siyah- beyaz bileşenden, iki adet renkli bileşenden (kırmızı-yeşil, sarı-mavi) oluşur. Karşıt renk bölgesine ait dönüşüm: RG=R-G YB=2B-R-G () WB=R+G+B Yukarıdaki dönüşümün logaritmik ifadesi aşağıda gösterilmektedir: RG= logR-logG (𝑙𝑜𝑔𝑅+𝑙𝑜𝑔𝐺) YB= logB- () 2 WB= logG 32 Karşıt renk bölgesine ait kullanışlı bir diğer yöntemi Ohta () ortaya koymuştur. 𝑅+𝐺+𝐵 I1= 3 𝑅−𝐺 I2= () 2 2𝐺−𝑅−𝐵 I3= 4 I1: Yoğunluk (intesity) I2 ve I3: Dikey (ortogonal) renk bileşenleri. Hsv. tarafından oluşturulan renk fark işaretlerine karşılık gelirler. Olgusal Renk Bölgesi (Phenomenal Colour Spaces) Renk biliminin öncülerinden biri Isaac Newton’dur. Kendi adını verdiği renk çemberi, renklerin parlaklık özelliklerini değil, renk tonu ve doygunluk (satürasyon) özelliklerini kullanarak renkleri tanımlar. İnsan beyni doğası gereği renkleri; tonuna, doygunluk değerine ve parlaklığına göre işler. Olgusal renk bölgesinin bileşenleri: Renk Tonu: Renkleri algılamamızı sağlayan bileşenlerdir. Kırmızı, yeşil, mavi, mor vs . Doygunluk (satürasyon): Beyaz olmayan kısımların seviyesidir. Doygun resimler, daha saf ve gerçek görünürler. Doygun olmayan resimlerde ise resim içerisine bol miktarda beyaz karışmış olduğu görülür. Parlaklık: Resimdeki ışığın yoğunluk seviyesidir. Şekil Olgusal renk bölgesi Olgusal renk bölgesi, RGB renk bölgesinin bozulması ile elde edilmiştir. Genellikle RGB bölgesinin lineer dönüşümü olarak ifade edilebilirler. Olgusal renk bölgesine ait 33 olan, Munsell renk bölgesi sıralanmış adet renk örneği içerir. Söz konusu örnekler algısal olarak birbirine eşit olan örnekler arasından seçilmiştir. Renk dönüşümleri Gerçek renk bileşenlerine sahip bir resmin işlenmesi, bölüm ’de bahsedildiği işlem sayısını artırır. Bu sebeple, resmin gri seviyeye ve hatta işlemin amacına göre siyah beyaz ikili forma dönüştürülmesi işlem sayısının asgaride tutulmasını sağlayacaktır. Gerçek renk-gri skala dönüşümü Gerçek renk-gri skala dönüşümü; resimdeki RGB değerlerini NTSC formatına çevirerek, renk ve satürasyon değerlerini sıfıra çekerek gerçekleştirilir. 𝑌 𝑅 [ 𝐼 ]=[ − −] [𝐺 ] () 𝑄 − 𝐵 I ve Q renk fark işaretleridir ve I ve Q’nun sıfıra eşitlenmesi ile, Y hesaplanarak gri skalaya geçilmiş olunur. Gri skala – siyah beyaz resim dönüşümü Resmin etkili ve hızlı bir şekilde işlenebilmesi için en temel model olan siyah-beyaz modele dönüştürülmesi gerekir. Her gri resmin parlaklık değeri, çekildiği atmosfer koşullarına ve çevresel koşullara göre farklılık göstereceğinden, bu eşik seviyesinin değişken olarak belirlenebiliyor olması önem kazanır. Otsu’nun bölgesel eşikleme algoritması (Otsu ) bu değişken eşik seviyesini bulmak için kullanılır. Bulunan eşik seviyesi [0,1] aralığında, parlaklık parametresidir. Bu eşik değerini bulduktan sonra ise gri resim, siyah beyaza çevrilir. Otsu’nun () bölgesel eşikleme algoritması; kendi içinde ağırlıklandırılmış ve sınıflandırılmış değişintiyi (varyansı) minimize edecek şekilde çalışır. Bu sınıfların birbiri ile olan değişintisini ise maksimize edecektir. Bölgesel eşikleme algoritması, gri skala resimlerinde (0, ) arasında değer alan pikseller için, P(i) çalışır. Yöntemin kabullenmeleri aşağıda sıralanmıştır: Histogram ve resim bimodaldır. UzaYSAl evre uyumluluk aramaz. Sabit istatistiki verileri kullanır ancak farklı yapılara 34 uyum sağlayabilir. Resimde tek tip parlaklık olduğunu kabul eder böylece parlaklık değişimlerinin, farklı nesnelerden dolayı oluşacağını kabul eder. Plaka Bölgesinin Bulunması Resimdeki plaka bölgelerinin bulunması, karakterlerin tanınması işleminin başarımını en çok etkileyen adımdır. Plakanın fon rengini esas alarak arama yapan algoritmalar olduğu gibi doğrudan yapay sinir ağları (YSA) ile sonucu hedefleyen ya da ebatları önceden tanımlanmış bir çerçeveyi resimde gezdirip, yerel minimumları tarayarak sonuca ulaşan algoritmalar vardır İmza Teoremi Yerel minimum ve maksimumların bulunması şartı ile çalışır. Resimde; önceden ebatları belirlenmiş bir çerçeveyi kaydırarak tarar. Çerçeve içinde kalan alanın sütun toplam vektörünü hesaplar. Daha önceden belirlenmiş miktarda yerel minimum ve maksimumun art arda gelip gelmediğine bakarak plaka bölgesini bulmaya çalışır. Çalışmaya esas teşkil eden teori “peak to valley” dir (Lu ). Uygulanan bu yöntemde plakanın yerinin bulunması ile karakterlerin ayrıştırılması işlemi iç içe geçmiştir. Karakterlerin ayrıştırılması için; belirlenen plaka bölgesindeki sütun toplam vektörüne bakılarak karakterlerin enine sınırları tespit edilirken, satır toplam vektörü ile boy ölçüleri tespit edilerek ayrıştırma işlemi gerçekleştirilir. 35 funduszeue.infoAL VE YÖNTEM Görüntü işleme tekniklerinin kullanılarak T.C sivil araç plakası tanıma uygulamasının gerçekleştirildiği bu uygulama, şekil ’de arayüzü gösterilen MATLAB ortamında hayata geçirilmiştir. MATLAB; teknik hesaplamalar, matematiksel problemlerin çözümü ve analizi için tasarlanmış bir yazılım geliştirme aracıdır. MATLAB’ın kelime anlamı MATRIX LABORATORY’dir. Adında anlaşılacağı gibi matris veya vektör işlemlerini kolay bir şekilde yapmak için oldukça kullanışlı bir programdır. Şekil matlab arayüz Çalışma esnasında kullanılan resimler “telefonun 13mp” kamerası ile çekilmiştir. İşlenecek olan fotoğrafların, araca dik olarak çekilmiştir. Bu çalışmada, plaka tanıma üç ana başlık altında ele alınmıştır; 1. Plaka bölgesinin bulunması, funduszeue.info bölgesinin kesilmesi funduszeue.infoerlerin tanınması, funduszeue.infol yapılması 36 Plaka Bölgesinin Bulunması Resimdeki plaka bölgelerinin bulunması, karakterlerin tanınması işleminin başarımını en çok etkileyen adımdır. Plakanın fon rengini esas alarak arama yapan algoritmalar olduğu gibi doğrudan yapay sinir ağları (YSA) ile sonucu hedefleyen ya da ebatları önceden tanımlanmış bir çerçeveyi resimde gezdirip, yerel minimumları tarayarak sonuca ulaşan algoritmalar vardır. Bu örnekleri çoğaltmak mümkündür. Plaka bölgesinin bulunması ile ilgili incelenen yöntemler aşağıda sıralanmıştır; -Görüntü işleme ile plaka alanının tespiti Plaka tespiti için şekil ’de görüldüğü meydana gelir camın ölçülerinin büyük olmasından dolayı elenir ve plaka tespit edilir. Şekil plaka yerinin tespiti Plakanın fon renginin kullanılması Sayısal fotoğraf ile çalışan bu algoritmanın girdileri, kampus girişlerinden alınmıştır. Resmin, aracın önünden ya da arkasından alınmasının ve resmin ebadının bir önemi yoktur. Kampüs girişlerinde, girişin üzerinin tente vb. cisimler ile kapatılması parlaklık ve yansıma nedeniyle oluşacak bozulmaları en aza indirgeyecek ve sistemin performansını artıracaktır. Bu yöntemde, tek renkli fon rengine sahip plakaların yerlerinin bulunması mümkündür. Plakanın fon rengi tespit edilerek renk bölgesinde karşılık geldiği değerler tespit edilir. Sınır değer olarak kullanılan bu değerler yardımı ile plaka bölgesi bulunur. 37 Bu çalışmada; plakanın fon rengi yanı sıra plaka üzerindeki karakterlerin renkleri de karar koşuluna eklenmiştir. Bu sayede araba ile aynı renk plaka zemin renkleri için de yüksek doğruluk elde edilmesi sağlanır. Resmi siyah-beyaz (ikili) forma dönüştürme Programa okutulan gerçek renk RGB resmin, hızlı ve doğru bir şekilde işlenebilmesi için önce gri seviyeye ardından siyah-beyaz resme dönüştürülmesi gerekmektedir. İkili resme dönüştürüldükten sonra, resmin tersi alınır. Ters alma işlemi, “0”ların “1”e, “1”lerin “0”’a dönüştürülmesi işlemidir. Bu işlemin sebebi, görüntüde asıl bulunmak istenen alfanümeriklerin siyah renkte olmasıdır. Lojik işlemler yapılırken “1”leri işlemek daha kullanışlı olduğu için dönüşüm gereklidir. Siyah beyaz resmin süzgeçlenmesi Plakadaki alfanümerik karakterler, beyaz fon üzerine siyah olarak bulunurlar. Plakadaki beyaz renk yoğunluğunun, siyah renk yoğunluğuna göre fazla olması nedeniyle, beyaz renk bölgeleri, birleştirici özelliği daha az olan bir süzgeçten geçirilir. Siyah renk bölgeleri ise birleştirici özelliği daha az olan bir süzgece tabii tutulur. Ayrı ayrı süzgeçlenen beyaz ve siyah bölgeler lojik “VE” işlemine tabi tutulur. Bu sayede, plaka adayı bölgede, beyaz ile siyah bölgelerin üst üste gelip gelmediği durumu sınanır. Şekil siyah beyaz resim 38 Şekil Beyaz noktaları birleştirilmiş resim Şekil Siyah noktaları birleştirilmiş resim Gerçek renk-gri skala dönüşümü Gerçek renk-gri skala dönüşümü; resimdeki RGB değerlerini NTSC formatına çevirerek, renk ve satürasyon değerlerini sıfıra çekerek gerçekleştirilir. 𝑌 𝑅 [ 𝐼 ]=[ − −] [𝐺 ] () 𝑄 − 𝐵 I ve Q renk fark işaretleridir ve I ve Q’nun sıfıra eşitlenmesi ile, Y hesaplanarak gri skalaya geçilmiş olunur. 39 Şekil gri skala dönüşümü Plaka aday adayı bölgelerin belirlenmesi Beyaz fon üzerinde siyah karakter bulunan bölgelerin seçilmesi işlemine, üst üste gelen siyah ve beyaz noktalara bakılarak başlanır. Şekil Beyaz Üzerinde Siyah Noktaların Bulunduğu Bölgeler 40 x→[1 𝑚] } b (x, y) x w (x, y) =1 () y→[1 𝑛] Yukarıdaki eşitlikte; b (x, y) siyah noktaların “1” diğer noktaların “0” olduğu, w (x, y) ise beyaz noktaların “1” diğer noktaların “0” olduğu matrislerdir. Bu iki matrisin eleman elemana çarpım sonucunda, üst üste gelen beyaz ve siyah noktalara bakılır. Plaka adayı bölgelerin sağlaması gereken koşullar Özel araç plakalarının ayırt edici özellikleri; I. Beyaz fon üzerinde siyah karakterler barındırıyor olması, II. II. Belirli bir en-boy oranına sahip olması, III. III. En ve boy uzunluğunun 1 m ile 5 m mesafeden çekilen fotoğraflarda belirli ölçülerde olması. IV. Çekilen fotoğrafların araca dik olması Plakada bulunan alfanümerik sayısının bulunması Etiketlenecek olan bölgelerde aranan ön koşullar; I. Beyaz bölgenin, aday bölge resim alanının 1/10 undan büyük olması, II. Siyah bölgelerin, aday bölge resim alanının 1/ ünden büyük olmasıdır. Şekil Beyaz zeminde yer alan karakterler Şekil ’de görüldüğü gibi beyaz zemin üzerinde yer alan siyah karakterler etiketlenir. Sonrasında beyaz bölgenin sınırladığı alanda kalan siyah bölgeler sayılır. Bu sayede plakanın beyaz fonu üzerinde yer alan karakter sayısı tespit edilmiş olur. Plakanın fon rengini kullanan bu yöntem, benzer yöntemlerden daha tutarlıdır çünkü; karakterlerin renklerini de karar kriteri olarak alır. Bu iki rengin farklı 41 çekirdeklerle filtrelenmesi sonucunda, iki rengin üst üste bindiği kısımları tarar. Bulduğu bölgeleri en-boy oran kriteri ile inceleyerek dikdörtgensel bir alan olup olmadığını kontrol eder. Son olarak plakanın alanı içinde yer alan karakterlerin her birinin alanlarını kontrol ederek plakayı bulur. Son olarak plaka bölgesinin içinde yer alan karakter sayısını inceleyerek bulduğu bölgenin plaka bölgesi olduğunu tespit eder. Çoklu karar kriteri nedeniyle doğruluk oranı yüksektir. Plakanın fotoğrafının cepheden çekilmesi zorunluluğu yoktur. Kenar Bulma Fonksiyonları Kenar bulma, görüntülerde piksel değerlerindeki değişimlerin gerçekleştiği yerlerin belirlenmesidir. Nesne tanıma, hedef izleme ve bölütleme gibi daha ileri seviyeli görüntü işleme yöntemlerinin içinde ilk aşamalardan biri olarak yer aldığından, bunların başarısını etkileyen önemli unsurlardan biridir. Kenar bulma ile ilgili bu güne kadar çeşitli yöntemler önerilmiştir. İlk yöntemler, keskin piksel değişimlerini bulmak için geliştirilen gradyana dayalı işlemlerdir. Birinci derecede türeve dayanan teknikler, gradyanın çeşitli yönler için hesaplanmasına ve bunların birleştirilmesine dayanmaktadır. Sobel, Prewitt ve Roberts işleçleri, bu tür yöntemlere örnek verilebilir. Türev temelli diğer yöntemler, görüntünün ikinci türevinin sıfır geçişlerinden kenarların bulunması esasına dayanmaktadır. Laplace ve Gauss süzgeçlerin birbiri arkasına uygulanmasına dayanan LoG filtresi örnek olarak verilebilir. Sobel Kenar Dedektörü Sobel kenar algılama algoritması görüntü işleme algoritmaları arasında en çok bilinenlerdendir. Verilen herhangi bir resimdeki kenarları elde etmeye yarar. Böylelikle resimler içindeki isteğe yönelik nesneler algılanıp gerekli işlemler yapılabilir. Maske ortasına denk gelen pikselin gradienti komşularda gözönüne alınarak tablo ’deki yatay ve dikey Sobel maskeleri kullanılarak aşağıdaki gibi hesaplanır. 42 Tablo Yatay ve dikey Sobel maskeleri -1 -2 -1 -1 0 1 0 0 0 -2 0 2 1 2 1 -1 0 1 Matlab fonksiyonu olarak; [g, t] = ende( f, ‘sobel’, T,dir) Burada f, giriş görüntüsü, T eşik değeri, dir ise kenar dedektörünün tavsiye edeceği yön indeksidir. Bunlar ‘Horizontal’, ‘vertical’ veya ‘both’ dur. Şekil ’de gri seviye resme uygulanan Sobel kenar bulma yöntemi gösterilmiştir. Şekil sobel kenar bulma yöntemi SİSTEMİN ÇALIŞMASI Şekil Programın ilk çalışma anı gelen arayüz 43 Şekil Programın ilk plaka okumak için gelen arayüz Şekil Plaka tanıma işlemi gerçekleştiği arayüz kapı açık Şekil Araç geçişinden (20 saniye) sonra kapanan kapı 44 Şekil Tanımlı olmayan aracın plaka tanınması ve kapı kapalı Şekil Tanımlı olmayan aracın plaka sisteme eklenmesi Şekil Tanımlı olmayan aracın plaka sisteme eklendikten sonra geçişe izin vermesi 45 4. ARAŞTIRMA SONUÇLARI Bu çalışma, plaka tanıma uygulamasıyla bariyer kontrolü yapan yapay zekâ tabanlı bir sistemdir. Sistem 4 ana kısımda incelenebilir. Bunların ilki Plaka bölgesinin bulunması, ikincisi tespit edilen plaka yerinden plakanın kesilmesi, üçüncü olarak karakterlerin tanınması ve son olarak elde edilen plaka bilgisi ile bariyerin kontrolüdür. Yapılan uygulamada otopark, askeri tesis, site girişi vb. bir yerin girişine uygulanan plaka tanıma ile bariyer kontrolü sistemi modellenerek gerçekleştirilebilir. MALİYET ANALİZİ Projede kullanılan malzemelerin listesi aşağıda belirlenmiş olup maliyet analizi çıkartılmıştır. Tablo Maliyet analiz tablosu MALZEMELER FİYATI(TL) MATLAB (Öğrenci lisansı) TL BİLGİSAYAR TL ARDUİNO UNO 30 TL BARİYER 15 TL DİJİTAL SERVO MOTOR (funduszeue.info) TL TOPLAM TL 46 5. TARTIŞMA Projemizde plaka okuna bilmesi için plakanın dik şekilde fotoğrafının çekilmesi gerekmektedir. Diğer projelerde farklı yollar izlemiştir. Plaka yerinin çıkartılması için sobel kenar dedöktörü kullandık. Projemizde başarı oranı tespitinde %90 ve karakter tespitinde ise %86 başarı sağlamış bulunmaktayız. Plaka Tanıma Sistemleriyle İlgili Yapılmış Bazı Çalışmalar Geçmiş yıllarda plaka tanıma sistemleriyle ilgili yapılmış bazı çalışmalar; Kim ve ark. () öğrenme tabanlı plaka tanıma sistemi çalışmalarında araba tespitinde %90, plaka tespitinde %88 ve karakter tespitinde %85 oranında başarı elde etmişlerdir. yılında Wang ve Lee tarafından yapılan çalışmada plaka yeri tespitinde plaka zemini ve karakterlerin renklerinden yararlanmışlardır. Karakter tanıma işleminde ise Şablon Eşleme denilen birebir karşılaştırma işlemi kullanılmıştır. Plaka yerinin tespiti için Umut Çelik tarafından yılında yapılan bir diğer çalışmada, bir dizi görüntü işleme algoritmasının yanı sıra geriye yayılım algoritması kullanan yapay sinir ağından yararlanmıştır. Plakada karakter yeri, karakter sayısı, boyutu ve türü algılanmış, ardından belirlenen karakter bölgeleri, plakalarda kullanılan 22 harf ve 10 rakamı tanımaya eğitilmiş yapay sinir ağına gönderilerek plaka tanıma gerçekleştirmiştir. Sistemin plaka yer tespitinde % ve plaka tanımadaki başarı oranları % olarak belirlenmiştir. Videodan alınan görüntünün dikey ve yatay düzlemde Sobel filtresinden geçirildiği bir diğer çalışma Yanamura ve ark. () tarafından yapılmıştır. Elde edilen görüntü üzerindeki gürültüler yok edilmiştir. İmgedeki doğruları bulmaya yarayan Hough dönüşümünü ve plaka en boy oranı kullanılarak plaka bölgesi tespit edilmiştir. yılında yaptığı çalışmada Barış Evrim Demiröz, araç plaka yerinin saptanması ve plakaya ait karakterlerin bölünmesine yönelik olarak Gabor dönüşümü, Otsu eşiklemesi ve hiyerarşik bağlantılı bileşen analizi yöntemlerini kullanmıştır. Plaka yerini saptamada %98,9, karakter bölütlemede %97,9 başarı sağlamıştır. 47 Plaka bölgesini çıkartırken, kenar belirleme, lekeleme algoritmaları kullanan Serkan Orbay () yaptığı çalışmanın karakter ayrıştırma bölümünde, lekeleme, filtreleme ve bazı morfolojik algoritmalar kullanmıştır. Plaka karakterlerinin tanınması için istatiksel temellli şablon eşleştirme kullanmıştır. Duran araç görüntüleri üzerinde plaka bölgesinin çıkartılmasında % başarı oranı, plaka karakterlerin ayrıştırılması için %96 ve plaka karakterlerinin tanınmasında % doğruluk oranı ve sistemin bütünü için % tanıma oranı elde etmiştir. Ali Gökay Günaydın, yılında yaptığı çalışmada plaka yerini belirleme algoritmasını, plaka bölgesinin dikey köşe özellikleri üzerinden metin olmayan alanların filtrelenmesi üzerine kurmuştur. Karakter ayrıştırma işlemi için yatay ve dikey izdüşümleri, Optik Karakter Tanıma modülü (OCR) için ise Çok Katmanlı Algılayıcılar (MLP) kullanılmıştır. Çalışmada plaka yerinin tespiti için %92, karakter ayrıştırma ve tanıma için %88 doğruluk oranlarına ulaşmıştır. yılında Emre Çamaşırcıoğlu tarafından yapılan çalışmada plaka yerinin tespitinde plaka zemin rengi ve plaka karakterlerinin renginden yararlanılmıştır. Karakterlerin ayrıştırılmasında sütun toplam vektörü kullanılarak, resimdeki imza bölgesi araştırılmıştır. Ayrıştırılan karakterler, ileri beslemeli, eğitim için geri yayınım algoritması kullanılan yapay sinir ağı ile tanınmışlardır. Çalışma içerisinde sistemin genel başarı oranı yer almamaktadır. Halime Boztoprak tarafından yılında yapılan başka bir çalışmada top-hat dönüşümü kullanarak plaka bölgesini belirlemiş ve %98,75 başarı sağlamıştır. Karakter tanıma için istatistik tabanlı destek vektör makinaları metodu kullanmıştır. Karakter tanımada da %91 başarı sağlamıştır. İsmail Irmakçı () yaptığı çalışmasında imgeye önişlem uygulamakta, imgeden plaka çıkarımı için morfolojik işlemler uygulanarak köşeler belirlemekte ve belirlenen köşelerin kapladığı en küçük dörtgen bölgeyi imgeden çıkarmaktadır. Çıkarılan bölgeye tekrar önişlemler uygulandıktan sonra bölge karakter ayrıştırma sisteminde yatay ve düşey taramaya sokulmaktadır. Son olarak da karakterlerin tanınması aşamasında 23 harf ve 10 rakamın her biri için geriye yayılma algoritması ile eğitilmiş çok katmanlı yapay sinir ağları kullanılarak plakanın ASCII kodu tespit edilmektedir. Bu çalışmada sistemin bölümlerden bağımsız tüm başarısı %86,89 dur. 48 Taşıt plakalarının yerlerinin bulunabilmesi için sık kullanılan resim işleme algoritmaları, tümevarımsal öğrenme ve şablon eşleştirme yöntemleri kullanan Beytullah Yalım () yaptığı çalışmada yeniden boyutlandırma, gri seviyeye indirgeme, Histogram eşitlemesi, Thresholding, Smearing algoritmalarından oluşan karma bir sistem tasarlanmış ve bu algoritmalar morfolojik filtreleme yöntemleri ile birbirlerini tamamlayacak şekilde entegre edilmiştir. Plakanın okunması işleminde ise morfolojik filtrelemeler, şablon eşleştirme ve tümevarımsal öğrenme yöntemleri kullanılmıştır. Uygulamanın başarım oranı %92,5 olarak gösterilmiştir. yılında Gözde Yavuz tarafından yapılan çalışmada, plaka alanını belirlemek için çizgiye dayalı metot kullanmıştır. Çizgiye dayalı metot, araba görüntüsünün enine kesitini gözlemlemeye dayanmaktadır. Enine kesit plaka numarası alanını kestiği zaman plaka alanı tespit edilir. Tespit edilen plaka bölgesindeki karakterleri ayrıştırmak için yatay bölünme, dikey bölünme ve karakter seçimi işlemleri uygulanmaktadır. Ayrıştırılan karakterleri tanıma işlemi için şablon eşleme yaklaşımı kullanılmıştır. Sistemin başarı oranı, sırası ile plaka bölgesi tespitinde %92, plaka karakterlerinin ayrıştırılmasında %95 ve plaka karakterlerinin tanınmasında %90 olarak belirtilmiştir. Okan Bingöl ve ark. yılında yaptıkları çalışmada plaka bölgesinin bulunması işlemi için kenar bulma algoritmaları, karakter ayrıştırma işlemi için Blob Coloring algoritması, karakter tanıma işlemi için ise şablon eşleştirme algoritması kullanmıştır. Plaka bölgesinin tespitinde %95’ lik doğruluk oranı, karakter ayrıştırmada %92’ lik doğruluk oranı ve karakterlerin okunması işleminde %87’ lik doğruluk oranı elde edilmiştir. Kayhan Bora () tarafından yapılan çalışmada plaka görüntüsünden karakterlerin ayrıştırılması ve ayrıştırılan karakterlerin tanınması üzerine çalışılmıştır. Yapay sinir ağları veya karmaşık matematiksel işlemler yerine insan gözü ile karakterin nasıl algılandığına dikkat edilmiştir. Plaka görüntüsü ikili sisteme çevrilmiş ve sonra dikey ve yatay doğrultularda taranarak karakterlerin sınırları bulunmuştur. Bulunan karakterler soldan sağa, sağdan sola, yukarıdan aşağıya, aşağıdan yukarı taranarak her bir karakter için özellik sınıfları oluşturulmuştur. Daha önceden karakterler için hazırlanmış olan özellik sınıfları veritabanı ile ayrıştırılan karakterin özellik sınıfı karşılaştırılmıştır. 49 Karakterin diğer karakterlere benzeme oranı kullanıcıya gösterilmiştir. Çalışma karakter tanıma işleminde %88,9 başarı oranı elde etmiştir. yılında Funda Akar tarafından yapılan çalışmada ise Bağlı Bileşen Analizi ve öznitelik çıkartma işlemleri sonrasında en büyük alandan başlanarak plaka bölgesinin başarılı olarak bulunması sağlanmıştır. Resim içinden başarılı olarak alınan plaka bölgesi için karakter bölütleme sistemi çalıştırılmış ve karakterlerin birbirinden ayrılması ilgili resim üzerinde yapılmıştır. Elde edilen karakterler normalize edildikten sonra her karakter alanının karakter tanıma işleminin yapıldığı algoritmaya gönderilmesi sağlanmıştır. Sistemin genel başarı oranı %93,7 olarak hesaplanmıştır. Kirami Kaçan () tarafından yapılan çalışmada plaka bölgesinin belirlenmesinde ikili seviyede kenar tabanlı görüntü işleme yöntemleri, karakter bölütlemede ikili seviyede dikey izdüşüm yöntemi ve karakter tanımada da çok katmanlı yapay sinir ağları kullanmıştır. Belirlenen mesafe ve bakış açılarından elde edilmiş görüntüler üzerinde ortalama %95 lik bir başarı elde etmiştir. yılında Ali Bakkaloğlu’nun yaptığı çalışmada plaka yerinin tespiti için resim üzerindeki piksel değerlerinin değişim oranları incelenmiş ve inceleme sonucunda plaka bölgesi tespit edilmiştir. Karakter ayrıştırma işlemi için resim üzerindeki sütun toplam vektör değerleri kullanılmıştır. Ayrıştırılan karakterlerin tanınması için şablon eşleştirme yöntemi kullanılmıştır. Resimler işlenirken bilinen resim filtreleme fonksiyonları kullanılmamıştır. Bunların yerine doğrudan işlemin amacına yönelik algoritmalar yazılmıştır. Bu yöntemle, işlemin en hızlı şekilde tamamlanması sağlanmıştır. Bu sistem, araç resmi üzerinde test edilmiştir. Yapılan test işlemini sonucunda %89,4 başarı oranı elde edilmiştir. 50 6. KAYNAKLAR [1] Emre ÇAMAŞIRCIOĞLU [2] E. Öztemel, Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık Eğitim, [3] funduszeue.info [4] funduszeue.info veproblem-cozumu/ [5] funduszeue.info [6] funduszeue.info [7]funduszeue.info [8] funduszeue.info [9]funduszeue.info .pdf?sequence=1 [10] funduszeue.info [11] funduszeue.info().pdf [12]funduszeue.info%20 Sinir%20A%C4%9Flar%C4%B1%20ile%20Bozuk%20%C3%96r%C3%BCnt%C3%B C%20Tan%C4%funduszeue.info?sequence=1&isAllowed=y [13]funduszeue.info%C3% funduszeue.info 51 funduszeue.infoŞEKKÜR Mühendislik Tasarımı II tez danışmanlığımızı yürüten, Sayın Dr. Öğr. Üyesi Esin KARPAT’ta vermiş olduğu destekten ötürü çok teşekkür ederiz. AYTEKİN BALADUR NURDOĞAN SALMAN BURSA BURSA 52 8. ÖZGEÇMİŞ Adı Soyadı : Nurdoğan SALMAN Doğum Yeri ve Tarihi : Bayramiç / EĞİTİM DURUMU : Gülpınar YATILI İLKÖĞRETİM BÖLGE OKULU MERKEZ ÇANAKKALE ANADOLU LİSESİ Lisans Üniversite : BURSA ULUDAĞ ÜNİVERSİTESİ BÖLÜM : ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ Elektronik posta : [email protected] Adı Soyadı : Aytekin BALADUR Doğum Yeri ve Tarihi : ÇANAKKALE / EĞİTİM DURUMU: KİRAZLI YATILI İLKÖĞRETİM BÖLGE OKULU GÖKÇEADA ATATÜRK ANADOLU ÖĞRETMEN LİSESİ ÇANAKKALE ANADOLU LİSESİ Lisans Üniversite : BURSA ULUDAĞ ÜNİVERSİTESİ BÖLÜM : ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ Elektronik posta : [email protected]