Sınıflarda kullanılan beyaz yazı tahtasının parıltısının yapay sinir ağları yöntemiyle öğrenilmesi

KAYAKUŞ M.

6. Uluslararası Yönetim Bilişim Sistemleri Konferansı, İstanbul, Türkiye, 9 - 12 Ekim 2019, ss.355-361

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.355-361
  • Akdeniz Üniversitesi Adresli: Evet

Özet

Derslikler eğitim-öğretim faaliyetlerinin yoğun olarak yapıldığı alanlardır. Öğrenme faaliyetlerinin verimli yapılabilmesi için dış etkenlerin (ışık, sıcaklık, ses) kontrol altında tutulması gerekmektedir. Bu etkenler içerisinde ışık öğrencilerin görme duyusunu doğrudan etkilemektedir. Okuma, yazma ve görme faaliyetlerini yerine getirmeleri için ideal aydınlatma değerlerinin sağlanması gerekmektedir. Aydınlatma proje aşamasında iyi modellense bile zaman içerisinde lambanın etkinlik faktöründeki düşmeler, kirlenme oranı gibi etkenlerden dolayı azalacaktır. Bu yüzden belirli zaman aralıklarında bu değerler kontrol edilmeli ve gerekli onarımlar yapılmalıdır. Bu çalışmada dersliklerde bulunan beyaz yazı tahtasının parıltısı kameradan alınan görüntüsü üzerinde gerçekleştirilen yapay sinir ağlarıyla öğrenilmiştir. Bunun için yazı tahtası üzerinde referans noktaları belirlenmiş; bu noktaların parıltı değerleriyle piksel (R, G, B) değerleri arasında geliştirilen yapay sinir ağları modeli uyarlanmıştır. Sonuçlar ile gerçek değerlerin kıyaslaması MSE yöntemine göre yapılmıştır.

Classrooms are areas where education and training activities are carried out intensively. In order to carry out the learning activities efficiently, external factors (light, temperature, sound) must be kept under control. Among these factors, light directly affects students' sense of vision. It is necessary to provide the ideal lighting values in order to perform reading, writing and vision activities. Even if the lighting is well modeled in the project phase, the decrease in the efficiency factor of the lamp will decrease over time due to factors such as pollution rate. Therefore, these values should be checked at regular intervals and necessary repairs made. In this study, the gleam of the whiteboard in the classrooms was learned by using artificial neural networks on the image taken from the camera. For this, reference points have been determined on the blackboard; The artificial neural network model developed between the glow values of these points and pixel (R, G, B) values was adapted. Results and actual values were compared according to MSE method.