ÖzSon zamanlarda tarım alanında akıllı teknolojilerin kullanımı son derece yaygın bir hal almaya başlamıştır. Dünyada kanatlı hayvanlara olan talebin yükselmeye başlaması ile kümes hayvanı yetiştiriciliğinde de bir artışa yol açmıştır. Bu durum akıllı tarım sistemlerinde olduğu gibi teknolojik sistemlerle donatılmış kapalı kümes hayvancılığınında da teknolojinin hızla gelişmesine yardımcı olmuştur. Kanatlı hayvancılık faaliyetleri için kümesler önemli alanlardır. Çünkü hayvanların yaşamsal faaliyetlerini sürdürebilmeleri için gerekli olan barınma ortamıdır. Kümes hayvanlarının optimal şekilde büyümesini sağlayabilmek için kümes içi parametreler olan sıcaklık ve nem miktarı muhafaza edilmelidir. Kümesteki havanın ve çevrenin kalitesi hayvanların hastalığa maruz kalmaması için korunmalıdır. Çünkü kapalı kümes ortamında amonyak mevcut olur. Bu gazlar tavukların hastalanıp ölümlerine yol açmaktadır. Bu ortam değişkenleri genellikle çiftçiler tarafından manuel olarak tahmin edilmektedir. Bu çalışmada kümes ortamının optimal koşullarının izlenmesini ve kontrolünü sağlayan Akıllı Tavuk Kümesi İzleme Sistemi geliştirilmesi amaçlanmıştır. Bu çalışmada, Nesnelerin İnternetine elektronik donanımlar NodeMCU mikro denetleyici kullanılarak tasarlanmıştır. Bulut sunucu için Linux işletim sistemine sahip konteyner yapısında yazılımlar kullanılmış ve geliştirilmiştir. Oluşturulan yapı sayesinde tavuk kümeslerinin izlenmesi ve destek sistemlerinin çiftçiler tarafından kolayca yapılabilmesi sağlanmıştır.

No abstract

Many elderly individuals live alone in their homes, which can lead to significant health and safety concerns due to the risk of falls. Falls not only cause physical injuries but also have social, psychological, and economic impacts that negatively affect the quality of life for older adults. In this context, early detection of falls and implementation of preventive measures are of great importance. Edge computing-based fall detection systems have been developed to effectively address the safety of older adults in such situations. In the present study, a fall detection system is proposed that utilizes edge computing and TinyML technologies, operating on an embedded platform. This system is designed for the interpretation of accelerometer sensor data and processes the data collected through sensors to obtain valuable information. The Edge Impulse platform is used for training an extensive dataset consisting of various fall examples for older adults, allowing the proposed system to achieve a 98.5% recognition accuracy. This cost-effective and user-friendly novel approach combines a portable accelerometer sensor and artificial intelligence software to target early detection and prevention of falls in older adults. This study contributes significantly to the field of edge computing and provides effective solutions to enhance the quality of life for elderly individuals.

Parkinson hastalığı, insan sağlığını tehdit eden titremenin ana semptom olduğu nörodejeneratif bir hastalıktır. Günümüzdeki araştırmalar, Parkinson Hastalığının önceden tahmin edilebilmesine, tespit edilebilmesine veya sınıflandırılabilmesine odaklanmaktadır. Son yıllarda çeşitli sensörler kullanılarak giyilebilir hareket algılama sistemleri oluşturulmaya başlanmıştır. Raporlanan sonuçlar; sorunların hemen hemen çözüldüğü izlenimini verirken, dikkate alınan verilerin temsil kapasitesi ve buna bağlı olarak performans değerlendirilmesinin güvenilirliği hakkında ciddi sorular ortaya çıkmaktadır. Bu araştırma makalesinde, Edge Impulse yazılımı, Arduino Nano 33 BLE mikrodenetleyicisi ve LSM9DS1 ivme sensörü ile titreme tespiti için sistem yapılmıştır. Arka planda titreme ile istenmeyen genel bir sinyali ayırt edebilmektedir. Bu çalışmada, Edge Impulse makine öğrenme araçlarını kullanarak gelişmiş bir tahmine dayalı sistem tasarımıyla Nesnelerin İnterneti (IoT) ve makine öğreniminin birlikteliğinde ivme sensörü ile hareket tespiti yapılarak hastalığın erken tespitinin yapılması amaçlanmıştır. Edge Impulse, bu çalışmada titreme ve istenmeyen titreme için çeşitli örneklerden oluşan geniş bir veri kümesini eğitmek için kullanılmıştır. Önerilen sistemin %85 tanıma doğruluğu sağladığı bulunmuştur.

No abstract