| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Üniversite | Yalova Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Anabilim Dalı |
| Tez Onay Yılı | 2025 |
| Öğrenci Adı ve Soyadı | Resul Berkem AYDEMİR |
| Tez Danışmanı | DR. ÖĞR. ÜYESİ BURCU DEMİRELLİ OKKALIOĞLU |
| Türkçe Özet | Gaz sızıntılarının doğru ve hızlı bir şekilde sınıflandırılması, endüstriyel tesislerde ve yaşam alanlarında can ve mal güvenliğinin sağlanması açısından kritik öneme sahiptir. Geleneksel tek modlu algılama sistemleri, çevresel değişimlere karşı duyarlılıkları ve çapraz hassasiyet sorunları nedeniyle sıklıkla yanlış alarmlar üretmekte veya düşük konsantrasyonlu sızıntıları tespit etmekte yetersiz kalmaktadır. Bu tez, termal görüntüleme ve kimyasal sensör verilerini birleştiren çok modlu derin öğrenme yaklaşımları ile bu kısıtlamaları aşmayı ve gaz tespitinde doğruluk ile hesaplama maliyeti arasındaki dengeyi optimize etmeyi amaçlamaktadır.Çalışma kapsamında iki farklı mimari yaklaşım geliştirilmiş ve sistematik olarak analiz edilmiştir. İlk yaklaşım, güvenlik açısından kritik ve yüksek işlem gücüne sahip senaryolar için tasarlanan `Yüksek Kapasiteli Hibrit Füzyon` modelidir. Bu mimari, sensör verilerindeki zamansal ve küresel ilişkileri yakalamak için hibrit bir Evrişimli Sinir Ağı-Dönüştürücü yapısı ve termal görüntülerdeki uzamsal öznitelikler için ResNet50 omurgası kullanmaktadır. Otokodlayıcı tabanlı erken füzyon ve ağırlıklı oylama mekanizmasını (geç füzyon) birleştiren bu model, yaklaşık 25 milyon parametre ile MultimodalGasData veri seti üzerinde %99,92 doğruluk oranına ulaşarak literatürdeki en yüksek performanslardan birini sergilemiştir.İkinci yaklaşım ise, kaynak kısıtlı uç cihazlar ve dağıtık sensör ağları için optimize edilen `Hafif Erken Füzyon` modelidir. Bu mimaride, hesaplama yükünü en aza indirmek amacıyla sensör verileri için Çok Katmanlı Algılayıcı ve termal görüntüler için ShuffleNetV2 omurgası tercih edilmiştir. Sadece 338,160 parametre içeren bu kompakt mimari, hibrit modele kıyasla model boyutunu yaklaşık 71 kat küçülterek parametre sayısında %98,6 oranında bir tasarruf sağlamıştır. Bu radikal küçülmeye rağmen model, %98,91 gibi rekabetçi bir doğruluk oranına ulaşarak verimlilik başarısını kanıtlamıştır.Elde edilen deneysel sonuçlar, önerilen hibrit mimarinin hatasız tespit gerektiren yüksek riskli bölgelerde; hafif mimarinin ise gerçek zamanlı ve düşük maliyetli izleme uygulamalarında etkin bir şekilde kullanılabileceğini göstermektedir. Bu tez, çok modlu gaz sınıflandırma problemine hem başarım odaklı hem de verimlilik odaklı çözüm sunarak literatürdeki tasarım uzayını genişletmektedir. |
| İlgilizce Özet | Accurate and rapid classification of gas leaks is of critical importance for ensuring the safety of life and property in industrial facilities and living spaces. Traditional unimodal detection systems often produce false alarms or fail to detect low-concentration leaks due to their susceptibility to environmental changes and cross-sensitivity issues. This thesis aims to overcome these limitations and optimize the balance between accuracy and computational cost in gas detection through multimodal deep learning approaches that combine thermal imaging and chemical sensor data.Within the scope of the study, two different architectural approaches have been developed and systematically analyzed. The first approach is the `High-Capacity Hybrid Fusion` model, designed for safety-critical scenarios with high computational power availability. This architecture utilizes a hybrid Convolutional Neural Network-Transformer structure to capture temporal and global relationships in sensor data, and a ResNet50 backbone for spatial features in thermal images. Combining autoencoder-based early fusion and a weighted voting mechanism (late fusion), this model achieved an accuracy rate of 99.92% on the MultimodalGasData dataset with approximately 25 million parameters, demonstrating one of the highest performances in literature.The second approach is the `Lightweight Early Fusion` model, optimized for resource-constrained edge devices and distributed sensor networks. In this architecture, a Multilayer Perceptron for sensor data and a ShuffleNetV2 backbone for thermal images were preferred to minimize computational load. Containing only 338,160 parameters, this compact architecture reduced the model size by approximately 71 times compared to the hybrid model, providing a 98.6% saving in the number of parameters. Despite this radical reduction, the model proved its efficiency success by reaching a competitive accuracy rate of 98.91%.The experimental results obtained indicate that the proposed hybrid architecture can be effectively used in high-risk zones requiring error-free detection, while the lightweight architecture is suitable for real-time and low-cost monitoring applications. This thesis expands the design space in the literature by offering both performance-oriented and efficiency-oriented solutions to the multimodal gas classification problem. |