SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 34 Sayı: 1

Derin Öğrenme Temelli Robotik Maske Kontrol Sistemi

Mustafa Göksu(KSÜ Mühendislik ve Mimarlık Fakültesi Elektrik Elektronik Bölümü.)0000-0002-7235-2019
Ahmet Alkan(KSÜ Elektrik Elektronik Mühendisliği Bölümü)0000-0003-0857-0764
Pages
459–471
Publication Date
2022-03-20
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Geliştirilen robotun, kullanımıyla kurumlara personel ve zaman tasarrufu sağlayabileceği, covid-19 tedbirlerinin kontrolü ve toplum bilincinin arttırılmasında yararlı olacağı düşünülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Korona virüsün (COVID-19) hızlı bulaşması nedeniyle dünya büyük bir sağlık kriziyle karşı karşıya kalmıştır.
📊
Key Findings & Data:Korona virüsün yayılmasını engellemek için Dünya Sağlık Örgütüne (WHO) göre en etkili tedbir, halka açık yerlerde ve kalabalık alanlarda maske takmaktır.
💡
Conclusion & Impact:Geliştirilen robotun, kullanımıyla kurumlara personel ve zaman tasarrufu sağlayabileceği, covid-19 tedbirlerinin kontrolü ve toplum bilincinin arttırılmasında yararlı olacağı düşünülmektedir.
🔬Design:Lab & Field Experiment
📍Scope:Comprehensive Sample
⚙️Variables:Derin Öğrenme · COVID -19 · YOLOv4

Özet

Korona virüsün (COVID-19) hızlı bulaşması nedeniyle dünya büyük bir sağlık kriziyle karşı karşıya kalmıştır. Korona virüsün yayılmasını engellemek için Dünya Sağlık Örgütüne (WHO) göre en etkili tedbir, halka açık yerlerde ve kalabalık alanlarda maske takmaktır. Ancak kalabalık ortamlarda uzun süre kalan kişilerde sıkılma, boş verme ve umursamazlık gibi nedenlerle insanlar bu kuralı ihlal edebilmektedir. Bu nedenle kalabalık alanlarda insanların izlenmesi ve gerektiğinde ilgililerin uyarılarak toplum sağlığını korumak önem arz etmektedir. Bu çalışmada maske takmayan, maskesini yanlış takan ve maskesini doğru takan kişileri belirleme sürecini otomatikleştirmek için iki derin öğrenme modeli kullanan bir robotik model geliştirilmiştir. İnternetten elde edilen veri setleri ve çevreden alınan fotoğraflar kullanılarak özgün bir veri seti oluşturulmuştur. Geliştirilen yapay zekâ modellerinin daha iyi tahmin sonuçları verebilmesi için veri seti görüntüleri üzerinde veri çoğaltma (aynalama, döndürme) teknikleri kullanılmıştır. Çalışmada gerçek zamanlı olarak maskeli, maskesiz ve maskesini yanlış takan kişilerin tespiti gerçekleştirilmiş sesli olarak kişilere dönütler verilmiştir. Geliştirilen yapay zekâ modellerinde üç sınıf (maskeli, maskesiz, maskesini yanlış takan) için ortalama tahmin/sınıflandırma başarı oranı (mAP@0,50) %96,58 ile %98,45 olarak tespit edilmiştir. Hız ve eğitim süresi açısından YOLOv4-tiny algoritmasıyla geliştirilen modelin daha başarılı olduğu tespit edilmiştir. Çalışma kapsamında geliştirilen yapay zekâ modellerinin farklı donanımlar üzerinde gerçek zamanlı çalıştırılması için MKS (Maske Kontrol Sistemi) olarak adlandırılan etkileşimli yazılım önerilmektedir. MKS yazılımı geliştirilen hareketli bir robot üzerinde çalıştırılmıştır. Prototip robotla gerçekleştirilen uygulamalarda oldukça yüksek maske denetleme başarımları elde edilmiştir. Geliştirilen robotun, kullanımıyla kurumlara personel ve zaman tasarrufu sağlayabileceği, covid-19 tedbirlerinin kontrolü ve toplum bilincinin arttırılmasında yararlı olacağı düşünülmektedir.

🔖

Cite This Article

Göksu, M., Alkan, A. (2022). Derin Öğrenme Temelli Robotik Maske Kontrol Sistemi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 34 Sayı: 1, 459–471. https://doi.org/10.35234/fumbd.1060378

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (22)

  1. Neeltje van Doremalen ve diğerleri, “Aerosol and Surface Stability of SARS-CoV-2 as Compared with SARS-CoV- 1,” (2020). https://doi.org/10.1056/NEJMc2001737.
  2. Qiu J., Covert coronavirus infections could be seeding new outbreaks. 2020. https://doi.org/10.1038/d41586-020-00822-x
  3. Şirin H., Özkan S., “Dünyada ve Türkiye’de COVID-19 Epidemiyolojisi,” Kulak Burun Boğaz ve Baş Boyun Cerrahisi Dergisi, vol. 28, (2020).
  4. Kumar A. ve diğerleri, “Scaling up face masks detection with YOLO on a novel dataset,” Optik, vol. 239, (2021). https://doi.org/10.1016/j.ijleo.2021.166744
  5. Das A. ve diğerleri, “Covid-19 Face Mask Detection Using TensorFlow, Keras and OpenCV,” in 2020 IEEE 17th India Council International Conference, INDICON 2020, 2020. https://doi.org/10.1109/INDICON49873.2020.9342585
  6. Yu J., Zhang W., “Face mask wearing detection algorithm based on improved yolo-v4,” Sensors, vol. 21, no. 9, (2021). https://doi.org/10.3390/s21093263
  7. Said Y., “Pynq-YOLO-Net: An embedded quantized convolutional neural network for face mask detection in COVID-19 pandemic era,” International Journal of Advanced Computer Science and Applications, vol. 11, no. 9, (2020). https://doi.org/10.14569/IJACSA.2020.0110912
  8. Mahurkar R. R., Gadge N. G., “Real-time Covid-19 Face Mask Detection with YOLOv4,” in Proceedings of the 2nd International Conference on Electronics and Sustainable Communication Systems, ICESC 2021, 2021. https://doi.org/10.1109/ICESC51422.2021.9533008
  9. Oumina A. ve diğerleri, “Control the COVID-19 Pandemic: Face Mask Detection Using Transfer Learning,” in 2020 IEEE 2nd International Conference on Electronics, Control, Optimization and Computer Science, ICECOCS 2020, 2020. https://doi.org/10.1109/ICECOCS50124.2020.9314511
  10. Loey M. ve diğerleri, “Fighting against COVID-19: A novel deep learning model based on YOLO-v2 with ResNet-50 for medical face mask detection,” Sustainable Cities and Society, vol. 65, (2021). https://doi.org/10.1016/j.scs.2020.102600
  11. Bhuiyan M. R. ve diğerleri, “A Deep Learning Based Assistive System to Classify COVID-19 Face Mask for Human Safety with YOLOv3,” in 2020 11th International Conference on Computing, Communication and Networking Technologies, ICCCNT 2020, 2020. https://doi.org/10.1109/ICCCNT49239.2020.9225384
  12. Abbasi S. ve diğerleri, “A Face-Mask Detection Approach based on YOLO Applied for a New Collected Dataset,” in 26th International Computer Conference, Computer Society of Iran, CSICC 2021, 2021. https://doi.org/10.1109/CSICC52343.2021.9420599
  13. Gedik O., Demirhan A., “Comparison of the effectiveness of deep learning methods for face mask detection,” Traitement du Signal, vol. 38, no. 4, (2021). https://doi.org/10.18280/ts.380404
  14. Ieamsaard J. ve diğerleri, “Deep Learning-based Face Mask Detection Using YoloV5,” in Proceeding of the 2021 9th International Electrical Engineering Congress, iEECON 2021, 2021. https://doi.org/10.1109/iEECON51072.2021.9440346
  15. Nagrath P. ve diğerleri, “SSDMNV2: A real time DNN-based face mask detection system using single shot multibox detector and MobileNetV2,” Sustainable Cities and Society, vol. 66, (2021). https://doi.org/10.1016/j.scs.2020.102692
  16. Mercaldo F., Santone A., “Transfer learning for mobile real-time face mask detection and localization,” Journal of the American Medical Informatics Association, vol. 28, no. 7, (2021). https://doi.org/10.1093/jamia/ocab052
  17. Kumar G. P., “Face Mask Detection with Raspberry Pi,” International Journal for Research in Applied Science and Engineering Technology, vol. 9, no. VI, (2021). https://doi.org/10.22214/ijraset.2021.35778
  18. Rani N. ve diğerleri, “Real-Time Face Mask Detection Using Raspberry Pi and Camera,” in Lecture Notes in Networks and Systems, 2022, vol. 300 LNNS. https://doi.org/10.1007/978-3-030-84760-9_65
  19. Cabani A. ve diğerleri, “MaskedFace-Net – A dataset of correctly/incorrectly masked face images in the context of COVID-19,” Smart Health, vol. 19, (Mar. 2021). https://doi.org/10.1016/J.SMHL.2020.100144
  20. “Face Mask Detection ~12K Images Dataset | Kaggle,” Online: https://www.kaggle.com/ashishjangra27/face-mask-12k- images-dataset [Accessed: 09 January 2022]
  21. Aalami N. ve diğerleri, “Derin Öğrenme Yöntemlerini Kullanarak Görüntülerin Analizi.” https://doi.org/10.1016/j.eswa.2018.09.022
  22. Jiang Z. ve diğerleri, “Real-time object detection method for embedded devices.”