Alışveriş Merkezlerinin Yoğunluğunun IoT ve Yapay Zeka Teknikleri Kullanarak Tahmin Etme


Abstract views: 279 / PDF downloads: 197

Authors

  • Fatma AKSU Graduate School of Natural and Applied Sciences
  • Fatih BAŞÇİFTÇİ Selçuk University

Keywords:

IoT, Yapay Sinir Ağları, Bot-sort, YOLOv7, GPRS

Abstract

Günlük hayatta karşılaşılan birçok sorunun çözülmesinde hareketsiz görüntüler veya video görüntüleri akıllı algoritmalarla işlenerek yapılmaktadır. Dış mekanların algılanması alanında bu durum her geçen gün gelişerek devam etse de iç mekanlar için bu sistemler kullanılamamaktadır. Çünkü bu sistemlerin hepsi GPS sistemine dayalıdır ve bunlarda kapalı ortamlarda çalışmamaktadır. Kamu sağlığı, kamu güvenliği, ekonomik vb. sebeplerden dolayı iç mekan konumlandırma ve takip sistemlerine ihtiyaç duyulmuştur ve bu sistemlerin uygulama alanları her geçen gün artmaktadır. “Her şeyin interneti” diye de nitelendirilen Nesnelerin İnterneti (IoT) internet ağları vasıtası ile cihazlar veya sistemlerin arsında bilgi ve veri alışverişi yapan sistemi ifade etmektedir, bu durum gündelik hayatta karşılaştığımız farklı araç ve cihazlardan elde edilen veriyi bilgiye dönüştürür. Bu çalışmada Nesnelerin İnterneti ile Google’ın bir protokolü olan GPRC (General Packet Radio Service) kullanarak servisler arasında yüksek performanslı stream tabanlı iletişim gerçekleştirilmiştir. Alışveriş mağazalarında insanların yoğunluğu tahmin sonuçları başarılı bir şekilde bulunmuştur.

Author Biographies

Fatma AKSU, Graduate School of Natural and Applied Sciences

Department of Computer Engineering, Selçuk University, Türkiye

Fatih BAŞÇİFTÇİ, Selçuk University

Department of Computer Engineering, Faculty of Technology, Türkiye

References

Ashton, K., That ‘internet of things’ thing. RFID journal, 2009. 22(7): p. 97-114.

Gubbi, J., et al., Internet of Things (IoT): A vision, architectural elements, and future directions. Future generation computer systems, 2013. 29(7): p. 1645-1660.

ALKAN, A. and İ. KIRBAŞ, Türkiye’de Nesnelerin İnterneti (Iot) Alanında Yazılmış Yüksek Lisans Tezlerinin İncelenmesi-Bir Meta Analiz Çalışması. Mühendislik Bilimleri ve Tasarım Dergisi, 2022. 10(1): p. 318-327.

Oral, O. and M. Çakır, Nesnelerin interneti kavramı ve örnek bir prototipin oluşturulması. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2017. 1: p. 172-177.

Kizrak, M.A. and B. Bolat, Derin öğrenme ile kalabalık analizi üzerine detaylı bir araştırma. Bilişim Teknolojileri Dergisi, 2018. 11(3): p. 263-286.

Şahinbaş, K., Gerçek Hayat Verileriyle Makine Öğrenmesi Algoritmalarına Dayalı Otobüs Durak Süresi Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 2022. 13(3): p. 421-428.

Suljagic, H., Benzerliğe dayalı derin siyam ağları ile çok nesneli takipte kişileri yeniden tanımlama= Similarity based person re-identi cation for multi-object tracking using deep siamese network. 2022.

Özçelik, N., Video görüntüleri üzerinde derin öğrenme tabanlı anormal durum tespiti ve derinlik tahmini. 2021.

Öçer, N.E., Uzaktan algılama görüntülerinde derin öğrenme temelli yaklaşımlar kullanarak nesne tespiti. 2020.

ŞİMŞEK, E., B. ÖZYER, and G.T. ÖZYER, Fotokapan Görüntülerinde Yerel Öznitelikler ile Nesne Tespiti. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 2019. 9(4): p. 633-644.

Akın, M.C., Video tabanlı ziyaretçi sayma sistemi. 2013.

Özbaysar, E. and E. Borandağ. Vehicle plate tracking system. in 2018 26th Signal Processing and Communications Applications Conference (SIU). 2018. IEEE.

Şahin, Ö., A. Kurtoğlu, and G. Ercan. Computer science terminology extraction from parallel corpora. in 2018 26th Signal Processing and Communications Applications Conference (SIU). 2018. IEEE.

Luo, W., et al., Multiple object tracking: A literature review. Artificial intelligence, 2021. 293: p. 103448.

Hochreiter, S. and J. Schmidhuber, Long short-term memory. Neural computation, 1997. 9(8): p. 1735-1780.

Chen, Y., et al., CNNTracker: Online discriminative object tracking via deep convolutional neural network. Applied Soft Computing, 2016. 38: p. 1088-1098.

Shaikh, S.H., et al., Moving object detection approaches, challenges and object tracking. Moving object detection using background subtraction, 2014: p. 5-14.

Baykara, M. and R. Daş. Real time face recognition and tracking system. in 2013 International Conference on Electronics, Computer and Computation (ICECCO). 2013. IEEE.

Akın, M.C., Video tabanlı ziyaretci sayma sistemi. 2013.

Hardas, A., D. Bade, and V. Wali, Moving object detection using background subtraction shadow removal and post processing. International Journal of computer applications, 2015. 975: p. 8887.

Resul, D., B. Polat, and G. Tuna, Derin öğrenme ile resim ve videolarda nesnelerin tanınması ve takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 2019. 31(2): p. 571-581.

Redmon, J., et al. You only look once: Unified, real-time object detection. in Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.

Fan, L., et al. A survey on multiple object tracking algorithm. in 2016 IEEE International Conference on Information and Automation (ICIA). 2016. IEEE.

Yilmaz, A., Object tracking. ACM Comput. Surv, 2006. 38.

Bruhn, A., J. Weickert, and C. Schnörr, Lucas/Kanade meets Horn/Schunck: Combining local and global optic flow methods. International journal of computer vision, 2005. 61: p. 211-231.

Keçeli, A.S., A. Kaya, and A.B. Can, Depth features to recognise dyadic interactions. IET Computer Vision, 2018. 12(3): p. 331-339.

Xiong, K., H. Zhang, and C. Chan, Performance evaluation of UKF-based nonlinear filtering. Automatica, 2006. 42(2): p. 261-270.

Crassidis, J.L. and J.L. Junkins, Optimal estimation of dynamic systems. 2004: Chapman and Hall/CRC.

Downloads

Published

2023-02-09

How to Cite

AKSU, F., & BAŞÇİFTÇİ, F. (2023). Alışveriş Merkezlerinin Yoğunluğunun IoT ve Yapay Zeka Teknikleri Kullanarak Tahmin Etme. International Conference on Frontiers in Academic Research, 1, 77–82. Retrieved from https://as-proceeding.com/index.php/icfar/article/view/33