Yazar "Metin, Ahmet" seçeneğine göre listele

Listeleniyor 1 - 6 / 6
  • Küçük Resim Yok
    Öğe
    APPLICATION OF ARTIFICIAL INTELLIGENCE TECHNIQUES FOR DEFECT PREVENTION AND QUALITY CONTROL IN ARC WELDING PROCESSES: A COMPREHENSIVE REVIEW
    (Bilal GÜMÜŞ, 2024) Bilgin, Turgay Tugay; Kunduracı, Musa Selman; Metin, Ahmet; Doğru, Merve; Nayir, Erdal
    This study presents a comprehensive review of research applying artificial intelligence (AI) techniques to prevent defects in arc welding processes. Arc welding is essential across various industries, but numerous issues can arise, impacting weld quality and production efficiency. The review systematically analyzes relevant studies published since 2018, focusing on three key aspects: datasets used, methodologies and approaches adopted, and performance metrics reported. The findings reveal significant adoption of both machine learning and deep learning techniques, with the choice depending on factors like input data nature, welding process dynamics, and computational requirements. Deep learning models, particularly convolutional neural networks (CNNs) and long short-term memory (LSTM) networks, have demonstrated superior performance in image-based defect detection and time-series analysis for quality prediction. However, traditional machine learning algorithms have also been utilized, often coupled with dimensionality reduction or feature selection techniques. The review highlights the diverse range of performance metrics employed, such as accuracy, precision, recall, F1-score, mean squared error (MSE), and root mean squared error (RMSE). Metric selection depends on the specific task (classification or regression) and the desired trade-off between different performance aspects. While many studies reported promising results with accuracy rates frequently exceeding 90%, challenges remain in real-world industrial settings due to factors like noise, occlusions, and rapidly changing welding conditions. This review serves as a comprehensive guide for researchers and practitioners in AI-assisted defect prevention and quality control for arc welding processes, highlighting current trends, methodologies, and future research directions.
  • Küçük Resim Yok
    Öğe
    Automated machine learning for fabric quality prediction: a comparative analysis
    (PeerJ Inc., 2024) Metin, Ahmet; Bilgin, Turgay Tugay
    The enhancement of fabric quality prediction in the textile manufacturing sector is achieved by utilizing information derived from sensors within the Internet of Things (IoT) and Enterprise Resource Planning (ERP) systems linked to sensors embedded in textile machinery. The integration of Industry 4.0 concepts is instrumental in harnessing IoT sensor data, which, in turn, leads to improvements in productivity and reduced lead times in textile manufacturing processes. This study addresses the issue of imbalanced data pertaining to fabric quality within the textile manufacturing industry. It encompasses an evaluation of seven open-source automated machine learning (AutoML) technologies, namely FLAML (Fast Lightweight AutoML), AutoViML (Automatically Build Variant Interpretable ML models), EvalML (Evaluation Machine Learning), AutoGluon, H2OAutoML, PyCaret, and TPOT (Tree-based Pipeline Optimization Tool). The most suitable solutions are chosen for certain circumstances by employing an innovative approach that finds a compromise among computational efficiency and forecast accuracy. The results reveal that EvalML emerges as the top-performing AutoML model for a predetermined objective function, particularly excelling in terms of mean absolute error (MAE). On the other hand, even with longer inference periods, AutoGluon performs better than other methods in measures like mean absolute percentage error (MAPE), root mean squared error (RMSE), and r-squared. Additionally, the study explores the feature importance rankings provided by each AutoML model, shedding light on the attributes that significantly influence predictive outcomes. Notably, sin/cos encoding is found to be particularly effective in characterizing categorical variables with a large number of unique values. This study includes useful information about the application of AutoML in the textile industry and provides a roadmap for employing Industry 4.0 technologies to enhance fabric quality prediction. The research highlights the importance of striking a balance between predictive accuracy and computational efficiency, emphasizes the significance of feature importance for model interpretability, and lays the groundwork for future investigations in this field. © 2024 Metin and Bilgin
  • Küçük Resim Yok
    Öğe
    Perceptual and Structural Evaluation of Super-Resolution Methods
    (Institute of Electrical and Electronics Engineers Inc., 2025) Metin, Ahmet; Kayipmaz, Yusuf
    This paper examines the underlying reasons for metric performance differences among resolution enhancement methods, analyzing why deep learning-based models, while optimizing perceptual realism, often yield lower scores in traditional structural metrics. The study explores the balance between structural fidelity and perceptual quality, detailing the factors that influence this trade-off and discussing the contextual appropriateness of various metrics. While LPIPS emerges as an effective tool for evaluating perceptual realism, SSIM and FSIM remain important in tasks where structural integrity is critical. These findings highlight the importance of carefully selecting evaluation metrics in accordance with the objectives and constraints of the target application. © 2025 IEEE.
  • Küçük Resim Yok
    Öğe
    Q-Learning-Based Energy-Aware Route Planning for Electric Vehicles on Real Road Networks with Charging Constraints
    (Institute of Electrical and Electronics Engineers Inc., 2025) Metin, Ahmet; Dikici, Sena
    The electric vehicle (EV) routing problem requires not only minimizing the travel distance but also considering energy constraints and the spatial distribution of charging stations. In this work, we propose Q-learning and hierarchical Q-learning (HRL) based agents trained to generate energy-aware routes on real road networks. The environment is modeled as graph structures obtained from Berlin, Istanbul, and Ankara cities using OpenStreetMap data. Each state is represented by a 16-dimensional vector that includes distance to the destination, battery level, number of neighbors, nearby charging stations, and final reward dynamics. The reward function is a multi-component structure that incentivizes approaching the destination, penalizes unnecessary loops and backtracking, and rewards smart charging decisions. Experimental results show that HRL demonstrates superiority up to 25% in compact cities (Berlin), while Q-learning performs better in large areas and resource-constrained environments. Both approaches deviate from the shortest path only when necessary due to energy constraints and their performance is evaluated by metrics such as total reward, route length and number of charges. © 2025 IEEE.
  • Küçük Resim Yok
    Öğe
    Tekstil üretiminde derin öğrenme tabanlı otomatik hata tespit sistemi
    (Bursa Teknik Üniversitesi, 2024) Metin, Ahmet; Özkan, Haydar
    Kumaş hata tespiti, tekstil kalite güvencesi kapsamında üretim standartlarını korumak için tekstil malzemelerindeki düzensizlikleri veya anormallikleri tespit etmeyi amaçlayan önemli bir alandır. Bu hataların tespiti manuel denetimlerle başlamıştır. Bilgisayar görmesinin yaygınlaşmasıyla hata tespit algoritmaları üretilmeye başlanmıştır ve başarımları günden güne artmaktadır. Eş zamanlı olarak istatistiksel metodolojiler ve özellik çıkarımıyla desteklenen desen tanıma algoritmaları, normal ve kusurlu kumaş desenlerini ayırt edebilir duruma gelmiştir. Son yıllarda, özellikle Evrişimli Sinir Ağları (CNN'ler) ve Üretken Çekişmeli Ağlar (GAN'lar) olmak üzere derin öğrenme tekniklerinin entegrasyonu, karmaşık kalıpların ve anormalliklerin analizinde önemli oranda yüksek seviyede doğruluk, verimlilik ve ölçeklenebilirlik sunarak yapı hatası tespitinde devrim yaratmıştır. Yine de bu alanda, kumaş tipolojilerine özgü değişkenliği, ortam aydınlatmasındaki bozulmaları ve ölçeklenebilirlik hususlarını kapsayan zorluklar devam etmektedir. Bu tezde, temel kumaş hatası örnekleri için yeni bir veri seti (YVS) oluşturulmuş ve ek olarak da TILDA veri setinden yararlanılmıştır. YVS ve TILDA veri setindeki görüntüler 416x416 boyutundadırlar. Yüksek çözünürlüklü kamera ile düşük çözünürlüklü kamera arasındaki farkları gidermek, kumaş üzerindeki hataları ayrıntılı görebilmek ve özellikle de küçük boyutlu hataların gözden kaçmasını engellemek için görüntüler gelişmiş süper çözünürlüklü üretken çekişmeli ağ (ESRGAN) modeli ile 4 kat büyütülmüştür. Bu işlemi gerçekleştirebilmek için öncelikli olarak görüntüler 4 kat küçültülerek ESRGAN modeli ile eğitilmiş süper çözünürlüklü yeni görüntüler elde edilmiştir. Eğitim sonunda elde edilen model ağırlıkları kullanılarak, test aşamasında 416x416 boyutundaki orijinal görüntüler, 4 kat büyütülerek 1664x1664 boyutunda yeni süper çözünürlüklü görüntüler elde edilmiştir. Böylece küçük boyutlardaki hatalar daha görünür hale gelmiştir. Daha sonra 1664x1664 görüntü 4x4 matris şeklinde 416x416 boyutlu 16 lokal görüntüye ayrılmıştır. Lokal bölgelere ayrılmış görüntüler, sırasıyla YOLOv8 modeli ile hata tespit işlemine tabi tutulmuş sonrasında test sonuçları tekrar birleştirilerek orijinal görüntü üzerindeki hatalar, global görüntü üzerinde raporlanmıştır. YOLOv8 için etiketleme işleminde doğruluk oranını artırmak ve hatayı doğru tanımlayabilmek için segmentasyon metodu kullanılmıştır. Eğitim ve test işlemleri TILDA veri seti ile ve YVS için ayrı ayrı gerçekleştirilmiştir. Sınırlayıcı maske mAP50 değerleri TILDA için %74.4, YVS'daki koyu ve açık kumaşlar için sırasıyla %92.2 ve %70.7 olarak elde edilmiştir. Ayrıca TILDA veri seti ile gerçekleştirilen ESRGAN ve YOLOv8 eğitim model ağırlıkları YVS modelinde kullanılarak da veriler test edilmiştir. Bu durumda koyu renkli kumaş veri kümesinde sınırlayıcı kutu ve maske sınırlayıcısı %99.5'lik bir mAP50 değerine ulaşırken, açık renkli kumaş veri kümesi için %90'lık bir mAP50 değeri elde edilmiştir. Önerilen sistem ile sade renkli kumaşlarda hata tespitinin başarılı bir şekilde gerçekleştirilebildiği ortaya çıkmıştır. Bundan sonraki çalışmalarda kumaş motifleri ve karmaşık desenlerin olduğu kumaşlardaki hataların tespiti için de araştırmalar yapılması gerekliliği ortaya çıkmıştır.
  • Küçük Resim Yok
    Öğe
    Temporal fusion transformer-based prediction in aquaponics
    (Springer, 2023) Metin, Ahmet; Kasif, Ahmet; Catal, Cagatay
    Aquaponics offers a soilless farming ecosystem by merging modern hydroponics with aquaculture. The fish food is provided to the aquaculture, and the ammonia generated by the fish is converted to nitrate using specialized bacteria, which is an essential resource for vegetation. Fluctuations in the ammonia levels affect the generated nitrate levels and influence farm yields. The sensor-based autonomous control of aquaponics can offer a highly rewarding solution, which can enable much more efficient ecosystems. Also, manual control of the whole aquaponics operation is prone to human error. Artificial Intelligence-powered Internet of Things solutions can reduce human intervention to a certain extent, realizing more scalable environments to handle the food production problem. In this research, an attention-based Temporal Fusion Transformers deep learning model was proposed and validated to forecast nitrate levels in an aquaponics environment. An aquaponics dataset with temporal features and a high number of input lines has been employed for validation and extensive analysis. Experimental results demonstrate significant improvements of the proposed model over baseline models in terms of MAE, MSE, and Explained Variance metrics considering one-hour sequences. Utilizing the proposed solution can help enhance the automation of aquaponics environments.