Shadows on PV arrays influence the energy production performance negatively. There are many methods in the literature related to the detection of these shadows and reconfiguration of arrays. The methods proposed in the literature generally aim at reconfiguration of arrays and detecting shadow regions by using current (I), voltage (V) and power (P) information. In the process of reconfiguration it is quite difficult to measure to use P, V, I information. In this paper, in order to use in the reconfiguration processes for the detection of the shadow region on PV arrays, a new fuzzy logic based computer vision method is presented. The proposed method, firstly, performs object detection with background subtraction. Then, detects the edge of the object regions. Finally, it detects shadow regions with the help of fuzzy logic decision making system. Experimental results are provides effective performance for detecting of shaded areas on PV arrays.

Bu çalışmada, en yaygın kanser türlerinden biri olan cilt kanseri imgelerinin sınıflandırılmasına odaklanılmıştır. Yapılan araştırma sonucunda cilt kanseriyle ilgili literatürdeki en kapsamlı etiketlenmiş veri kümesinin HAM10000 olduğu görülmüştür. 7 farklı lezyon türüne ait 10.000'den fazla etiketli imge içeren bu veri kümesinin klasik Evrişimsel Sinir Ağlarıyla (ESA) sınıflandırma doğruluğunun arttırılması amaçlanmaktadır. Bu makalede, mevcut iki farklı tekniğin (transfer öğrenme ve imge üretimi) lezyon sınıflandırma doğruluğuna etkisi incelenmiştir. Birinci teknik, cilt lezyonu veri kümesini sınıflandırmak için tasarlanan yeni bir ESA'ya, ImageNet veri kümesiyle eğitilmiş AlexNET ağındaki parametrelerin kısmi ve tam transfer yoluyla aktarılmasıdır. İkinci teknik, gerçek lezyon imgelerinden imge üretilmesiyle veri kümesinin genişletilmesidir. Bu genişletme işleminde klasik üretme ve Çekişmeli Üretici Ağ (ÇÜA) tekniklerinin başarımları değerlendirilmiştir. Yapılan deneysel çalışmalar neticesinde, kısmi parametre transferi ve Derin Evrişimsel Çekişmeli Üretici Ağ (DEÇÜA) temelli imge üretim tekniği kullanılarak veri kümesinin genişletilmesi yaklaşımlarının birlikte kullanılması en yüksek lezyon sınıflandırma doğruluğunu (%93) vermiştir. Yöntemler, literatürdeki güncel yöntemle kıyaslanarak toplam doğruluk başarımındaki üstünlüğü gösterilmiştir.

Evrişimsel sinir ağı (ESA) ve Kapsül Ağ (KA) önemli derin öğrenme mimarileridir. Bu makalede, ESA ve KA mimarilerinin MNIST ve Fashion MNIST veri kümelerindeki örtüşme ve deformasyon durumlarında sınıflama doğrulukları incelenmiştir. Bu veri kümelerinin her bir test verisi, rastgele alınan 7x7 lik blokların iki, üç ve dört tanesinin kendi aralarından yer değişmesiyle deforme edilmiştir. Bunun yanında veri kümelerine ait farklı sınıftaki veriler birbirilerini kısmi olarak örtecek şekilde test veri kümeleri oluşturulmuştur. Yapılan deneysel sonuçlarda deformasyon durumunda ESA'nın sınıflama doğruluğunun MNIST veri kümesi için %5 ila %13,5, Fashion MNIST için %7,1 ila %25,4 oranında azaldığı, KA da ise MNIST veri kümesi için %31 ila %43, Fashion MNIST için %34,7 ila %53,2 oranında azaldığı gözlemlenmiştir. Bu durum ESA mimarisinin, deforme edilmiş test kümelerinde KA' ya göre yüksek doğrulukta sınıflama yaptığı gösterilmiştir. Bunun yanında KA' nın deforme edilen sahte verilere karşı duyarlılığı ve sınıflama başarımına tepkisi ESA'ya göre daha doğru olduğu görülmüştür. Deforme durumlarının önemsenmediği uygulamalarda ESA'nın, deforme durumuna hassasiyet gösterecek güvenlik uygulamalarında KA kullanılması sonucuna varılmıştır. Örtüşme durumlarında ise ESA'nın sınıflama doğruluğu MNIST için %63, Fashion MNIST için % 58, KA ise doğruluk oranı MNIST için %88, Fashion MNIST için %81 olarak elde edilmiştir. Bu durum örtüşme durumlarında KA' nın ESA'ya göre daha yüksek sınıflama doğruluğuna ulaştığı gözlemlenmiştir.

Özetçe-Gölge bölgeleri resim bölütleme, nesne tespit ve takip uygulamalarında nesne olarak tespit edilmektedir. Bu durum algoritmaların performans ve doğruluğu olumsuz olarak etkilemektedir. Bu çalışmada, gölge bölgelerinin tespiti için yapay bağışık sistem tabanlı negatif seçim algoritması (YBSGT) önerilmektedir. Algoritma, video sahneleri üzerinde lineer olarak değişmeyen gölgeli alanların tespiti için hızlı ve etkili bir çözüm sunmaktadır. Bunun yanında algoritma literatürde farklı video sahnelerindeki gölgelerin tespiti için tasarlanmış etkili yöntemlere göre ortalama olarak %5 -%10 oranında yürütülme zamanında, %5-%20 oranında gölge tespit başarımında artış sağlamaktadır. Anahtar Kelimeler -Gölge tespiti, Yapay bağışıklık sistemi tabanlı gölge tespiti, Negatif seçim algoritması.Abstract -Shadow regions are detected as objects at image segmentation, object detection and tracking applications. So, it affects negatively the accuracy and performance of algorithms. In this study, artificial immune system-based negative selection algorithm (YBSG) is proposed in order to determine shadow region. This algorithm obtains fast and effective solution to detect nonlinear change shadow region on the video scenes. This algorithm obtains us to increase in 5% -20% shadow detecting performance and 5% -10% execution time with effective method proposed to detect the shadows of different video scenes in literature.

Pneumonia, featured by inflammation of the air sacs in one or both lungs, is usually detected by examining chest X-ray images. This paper probes into the classification models that can distinguish between normal and pneumonia images. As is known, trained networks like AlexNet and GoogleNet are deep network architectures, which are widely adopted to solve many classification problems. They have been adapted to the target datasets, and employed to classify new data generated through transfer learning. However, the classical architectures are not accurate enough for the diagnosis of pneumonia. Therefore, this paper designs a capsule network with high discrimination capability, and trains the network on Kaggle’s online pneumonia dataset, which contains chest X-ray images of many adults and children. The original dataset consists of 1,583 normal images, and 4,273 pneumonia images. Then, two data augmentation approaches were applied to the dataset, and their effects on classification accuracy were compared in details. The model parameters were optimized through five different experiments. The results show that the highest classification accuracy (93.91% even on small images) was achieved by the capsule network, coupled with data augmentation by generative adversarial network (GAN), using optimized parameters. This network outperformed the classical strategies.