Browsing by Author "Mert, Ahmet"

Now showing 1 - 2 of 2

Farklı Katı Malzemelerde Görgül Kip Analizi Tabanlı Foto Akustik Sinyal İşleme ile Kusur Tespiti
(2024) Balcı, Zekeriya; Mert, Ahmet
Bu çalışmada, görgül kip ayrışımı (GKA) ve makine öğrenimi algoritması kullanılarak malzeme kusurlarının tespiti için bir fotoakustik (FA) sinyal işleme çerçevesi önerilmiştir. Zaman ve zaman-frekans düzleminde çıkarılan özellikler ve gelişmiş sinyal işleme yöntemlerinin yardımıyla kusurların başarılı bir şekilde tespit edilmesini sağlamıştır. Lazer, mikrofon ve veri toplama kartı tabanlı bir FA sistem kullanılarak alüminyum, demir ve ahşap malzemelerden FA sinyallerinden oluşan veritabanı elde edilmiştir. Her bir malzeme grubundan toplam 240 örnek (120 sağlam örnek ve 120 kusurlu örnek) ve toplam 720 örnek, GKA uygulandıktan sonra zaman ve zaman-frekans düzlemi özelliklerini çıkarmak için kullanılmıştır. Daha sonra k-en yakın komşu sınıflandırıcısı veri tabanındaki kusurlu ve sağlam malzemelerin tespiti için çıkarılan 14 özellik kullanılarak eğitilmiş ve test edilmiştir. Materyaller özelinde ve materyaller arası sınıflandırma yapılmış ve doğruluk oranları sırasıyla %100 ve %97.77 olarak elde edilmiştir.
Photoacoustic Signal to Image Based Convolutional Neural Network for Defect Detection
(AIP Publishing, 2025) Balci, Zekeriya; Mert, Ahmet
In this paper, we propose a novel photoacoustic (PA) signal to image conversion based convolutional neural network (CNN) model for defect detection in materials. A low-cost computer aided PA triggering and acquisition device has been developed, and then, PA signals are stored for four types of defected and intact materials. Variational mode decomposition is applied to the dataset to extract intrinsic mode functions to convert PA signals to images as the first step of the feature extraction, and then, a lightweight CNN architecture is trained and tested using converted grayscale PA images to detect as defected or intact material. The proposed model is performed on the PA signals of aluminum, iron, wood, and plastic depending on the within-class and all-class evaluation strategies. The mean accuracy levels of 0.977 (up to 1.0) for within-class (material dependent) and 0.942 (up to 0.955) for all-class (material independent) are yielded.