TY  - JOUR
T1  - Madde Tanıma Sistemlerinde Makine Öğrenmesi Metotlarının Kullanımı
TT  - Utilization of Machine Learning Methods in Substance Recognition Systems
AU  - Dal, Ekrem Kürşad
AU  - Kılıç, Recai
PY  - 2023
DA  - October
Y2  - 2023
DO  - 10.53070/bbd.1347436
JF  - Computer Science
JO  - JCS
PB  - Ali KARCI
WT  - DergiPark
SN  - 2548-1304
SP  - 198
EP  - 205
VL  - IDAP-2023 : International Artificial Intelligence and Data Processing Symposium
IS  - IDAP-2023
LA  - tr
AB  - Maddelerin cinsinin tayin edilmesi, mevcut maddeye karışan kimyasalların ve partiküllerin tespiti insan sağlığı açısından önemlidir. Tespitler hastalanan insanların şikâyeti sonrasında ya da periyodik aralıklarla yapılan denetimler ile anlaşılabilmektedir. Bunun nedeni bu tür sistemlerin teknik kişilerce değerlendirilmesinin gerekmesinden ve günlük değerlendirilebilecek numunelerin kısıtlı sayıda olmasından kaynaklanmaktadır. Makine öğrenmesi ile eğitilmiş olan sistemler bu değerlendirmeleri gerçek zamanlı sistemlere yakın sürelerde, yüksek doğrulukla gerçekleştirebilmektedir. Makine öğrenmesi kullanan sistemlerde kabul edilebilir ve kabul edilemez olan numuneler ile ağ yapısı eğitilerek oluşabilecek numunedeki farklılıklar otonom olarak sınıflandırılarak değerlendirilebilmektedir. Böylece uzman kişilerin ufak değişimleri gözden kaçırma ihtimali azalırken, daha fazla sayıda numune değerlendirilebilmektedir. Optik sistemler ile yapılan tespitler hem partikül incelemesi açısından hem de çözünmüş madde açısından incelemeye olanak sağlamaktadır. Ayrıca tahribatsız inceleme yapısı ile şeffaf tüp, şeffaf boru, spektrofotometre küveti gibi alternatif ortamlarda ölçümler alınabilmekte, bu da esnek kullanım imkânı sunmaktadır. Yaptığımız çalışmalarda sütün kompleks yapısındaki farklılıklar ve su içerisindeki mikroplastiklerin optik sistemler kullanarak sınıflandırması yapılmıştır. Yapılan deneylerin sınıflandırılmasında yapay sinir ağlarından ve derin öğrenme algoritmalarından faydalanılmıştır. Bu algoritmaların madde tayini açısından yüksek doğruluk gösterdiği görülmüştür.
KW  - Yapay Sinir Ağı
KW  - Derin Öğrenme
KW  - Makine Öğrenmesi
KW  - Optik Sensörler
KW  - YOLO
N2  - Detection of the types of substances, chemicals, and particles present in a given substance is crucial for human health. The detections can only be made after the complaints of affected individuals or through periodic inspections. The reason for this is the need for evaluation by technical experts and the limited number of samples that can be assessed daily. Systems trained with machine learning can perform these evaluations with high accuracy and in near real-time, similar to real-time systems. By training the network with acceptable and unacceptable samples, machine learning-based systems can autonomously classify and evaluate differences in potential samples. As a result, the possibility of experts overlooking minor changes decreases, and a greater number of samples can be evaluated. Detection using optical systems allows examination of both particles and dissolved substances. Furthermore, its non-destructive nature enables measurements in alternative environments such as transparent tubes, transparent pipes, and spectrophotometer cuvettes, offering flexible usability options. In our research, we classified the differences in the complex structure of milk and microparticles in water using optical systems. Artificial neural networks and deep learning algorithms were utilized for the classification of these experiments. It was observed that these algorithms demonstrated high accuracy in substance recognition.
CR  - Asheri Arnon, T., Ezra, S., & Fishbain, B. (2019). Water characterization and early contamination detection in highly varying stochastic background water, based on Machine Learning methodology for processing real-time UV-Spectrophotometry. Water Research, 155, 333–342. https://doi.org/10.1016/j.watres.2019.02.027
CR  - Bajaj, N. S., Patange, A. D., Jegadeeshwaran, R., Pardeshi, S. S., Kulkarni, K. A., & Ghatpande, R. S. (2023). Application of metaheuristic optimization based support vector machine for milling cutter health monitoring. Intelligent Systems with Applications, 18(February), 200196. https://doi.org/10.1016/j.iswa.2023.200196
CR  - Bridgeman, J., Baker, A., Brown, D., & Boxall, J. B. (2015). Portable LED fluorescence instrumentation for the rapid assessment of potable water quality. Science of the Total Environment. https://doi.org/10.1016/j.scitotenv.2015.04.050
CR  - Dubreuil, M., Delrot, P., Leonard, I., Alfalou, A., Brosseau, C., & Dogariu, A. (2013). Exploring underwater target detection by imaging polarimetry and correlation techniques. Applied Optics. https://doi.org/10.1364/AO.52.000997
CR  - Kavakiotis, I., Tsave, O., Salifoglou, A., Maglaveras, N., Vlahavas, I., & Chouvarda, I. (2017). Machine Learning and Data Mining Methods in Diabetes Research. Computational and Structural Biotechnology Journal, 15, 104–116. https://doi.org/10.1016/j.csbj.2016.12.005
CR  - Lyu, Y., Chen, J., & Song, Z. (2019). Image-based process monitoring using deep learning framework. In Chemometrics and Intelligent Laboratory Systems (Vol. 189). Elsevier B.V. https://doi.org/10.1016/j.chemolab.2019.03.008
CR  - Mhaskar, H. N., Pereverzyev, S. V., & van der Walt, M. D. (2017). A Deep Learning Approach to Diabetic Blood Glucose Prediction. Frontiers in Applied Mathematics and Statistics, 3(July), 1–11. https://doi.org/10.3389/fams.2017.00014
CR  - Piederrière, Y., Boulvert, F., Cariou, J., Le Jeune, B., Guern, Y., & Le Brun, G. (2005). Backscattered speckle size as a function of polarization: influence of particle-size and- concentration. Optics Express, 13(13), 5030. https://doi.org/10.1364/opex.13.005030
CR  - Potansiyeli Görmek - Google. (n.d.). Retrieved July 24, 2023, from https://about.google/intl/tr_zz/stories/seeingpotential/
CR  - Sayato, Y. (1989). WHO Guidelines for Drinking-Water Quality. Eisei Kagaku, 35(5), 307–312. https://doi.org/10.1248/jhs1956.35.307
CR  - Skadsen, J., Janke, R., Grayman, W., Samuels, W., Tenbroek, M., Steglitz, B., & Bahl, S. (2008). Distribution system on-line monitoring for detecting contamination and water quality changes. Journal / American Water Works Association, 100(7), 81–94. https://doi.org/10.1002/j.1551-8833.2008.tb09678.x
CR  - Wang, H., Hu, H., Jiang, J., Li, J., Li, X., Zhang, W., Cheng, Z., & Liu, T. (2021). Polarization differential imaging in turbid water via Mueller matrix and illumination modulation. Optics Communications, 499(June), 127274. https://doi.org/10.1016/j.optcom.2021.127274
CR  - Yacouby, R., & Axman, D. (2020). Probabilistic Extension of Precision, Recall, and F1 Score for More Thorough Evaluation of Classification Models. https://doi.org/10.18653/v1/2020.eval4nlp-1.9
CR  - Zulkifli, S. N., Rahim, H. A., & Lau, W. J. (2018). Detection of contaminants in water supply: A review on state-of-the-art monitoring technologies and their applications. Sensors and Actuators, B: Chemical, 255, 2657–2689. https://doi.org/10.1016/j.snb.2017.09.078
UR  - https://doi.org/10.53070/bbd.1347436
L1  - https://dergipark.org.tr/en/download/article-file/3351338
ER  -