Çalışmanın sonuçları, bu yaklaşımın %96 doğrulukla geçerli olabileceğini ve geleneksel risk analiz ve değerlendirme uygulamalarına güçlü bir alternatif sağlayacağı görülmüştür.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Derin öğrenme günümüzde çok popülerdir ve otonom araçlardan tıbbi teşhislere kadar neredeyse her sektörde uygulanmaktadır.
📊
Key Findings & Data:Sadece kişisel koruyucu donanım (KKD) kullanan yetkili personel tarafından erişilebilen bir alan veya durum için potansiyel bir tehlike incelenerek basitleştirilmiş bir risk analizi oluşturulmuştur.
💡
Conclusion & Impact:Çalışmanın sonuçları, bu yaklaşımın %96 doğrulukla geçerli olabileceğini ve geleneksel risk analiz ve değerlendirme uygulamalarına güçlü bir alternatif sağlayacağı görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Derin Öğrenme · İş Sağlığı ve Güvenliği · Risk Analizi
Abstract
Derin öğrenme günümüzde çok popülerdir ve otonom araçlardan tıbbi teşhislere kadar neredeyse her sektörde uygulanmaktadır. Bu çalışmada, tek bir tehlike için derin öğrenmeye dayalı bir risk analizi modellenmiş ve doğrulanmıştır. Sadece kişisel koruyucu donanım (KKD) kullanan yetkili personel tarafından erişilebilen bir alan veya durum için potansiyel bir tehlike incelenerek basitleştirilmiş bir risk analizi oluşturulmuştur. Çalışmanın sonuçları, bu yaklaşımın %96 doğrulukla geçerli olabileceğini ve geleneksel risk analiz ve değerlendirme uygulamalarına güçlü bir alternatif sağlayacağı görülmüştür.
ASLAN, T., YAĞIMLI, M. (2023). In Occupational Health and Safety Deep Learning Based Risk Detection and Analysis. The Journal of International Scientific Researches, Cilt: 8 Sayı: 2, 223–236. https://ajindex.com/articles/952896
Bingöl, K., Aslı, E. R., Örmecioğlu, H. T., & Arzu, E. R. (2020). Depreme dayanıklı mimari tasarımda yapay zeka uygulamaları: Derin öğrenme ve görüntü işleme yöntemi ile düzensiz taşıyıcı sistem tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(4), 2197-2210.
Shinde, P. P., & Shah, S. (2018, August). A review of machine learning and deep learning applications. In 2018 Fourth international conference on computing communication control and automation (ICCUBEA) (pp. 1-6).
IEEE. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Hinton, G. E., Srivastava, N., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. R. (2012). Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint arXiv:1207.0580. Chowdhury, T. T., Hossain, A., Fattah, S. A., & Shahnaz, C. (2019, May). Seizure and non-seizure EEG signals detection using 1-D convolutional neural network architecture of deep learning algorithm. In 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT) (pp. 1-4).
IEEE. Xu, J., Zhang, Z., Friedman, T., Liang, Y., & Broeck, G. (2018, July). A semantic loss function for deep learning with symbolic knowledge. In International conference on machine learning (pp. 5502-5511).
PMLR. Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., & Terzopoulos, D. (2021). Image segmentation using deep learning: A survey. IEEE transactions on pattern analysis and machine intelligence, 44(7), 3523-3542.
Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B.,. & Chen, T. (2018). Recent advances in convolutional neural networks. Pattern recognition, 77, 354-377.
Naftali, M. G., Sulistyawan, J. S., & Julian, K. (2022). Comparison of Object Detection Algorithms for Street-level Objects. arXiv preprint arXiv:2208.11315 Mahendrakar, T., Ekblad, A., Fischer, N., White, R., Wilde, M., Kish, B., & Silver, I. (2022, March). Performance Study of YOLOv5 and Faster R-CNN for Autonomous Navigation around Non-Cooperative Targets. In 2022 IEEE Aerospace Conference (AERO) (pp. 1-12).
IEEE. DOĞAN, F., & TÜRKOĞLU, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409-445