Profile URL: https://hdl.handle.net/20.500.13091/11665
Job Title:Dr. Öğr. Üyesi
Email Address:eesme@ktun.edu.tr
Main Affiliation:10.02. Department of Software Engineering
Status: Current Staff
ORCID:
0000-0001-9012-6587
0000-0001-9012-6587Scopus ID:
57189468408
57189468408YÖK Akademik: E279A58A5B8D4844
Google Scholar:
Le-ePkwAAAAJ
Le-ePkwAAAAJWeb of Science ID:
CNX-2824-2022
CNX-2824-2022Name Variants:
Esme, Engin
13 results
Scholarly Output Search Results
Now showing 1 - 10 of 13
Article Citation - WoS: 7Citation - Scopus: 12Prediction of the Number of Students Taking Make-Up Examinations Using Artificial Neural Networks(SPRINGER HEIDELBERG, 2021-05-27) Kıran, Mustafa Servet; Sıramkaya, Eyüp; Esme, Engin; Şenkaya, Miyase NurThree different examinations for any course are primarily defined in higher education in Turkey: midterm, final and make-up exams. Whether a student has passed a course is decided by using the scores of midterm and final exams. If this student fails the course as a result of these exams, he can take a make-up exam of this course, and the score of the make-up exam is replaced with the final exam. However, some of the students do not take the make-up exam although it is expected that they take the make-up exam, due to different reasons such as average score, distance, low score of midterm exam, etc. Because the make-up exam plans and schedule have been performed in accordance with the number of students who failed the course, some resources such as the number of classrooms, invigilators, exam papers, toner are wasted. In order to reduce these wastages, we applied artificial neural networks, ANN, trained by different approaches for predicting the number of students taking make-up examinations in this study. In the proposed framework, some features of students and courses have been determined, the data has been collected and ANNs have been trained on these datasets. By using the trained ANNs, each student who fails the course is classified as positive (taking the make-up exam) or negative (not taking the make-up exam). In the experiments, the data of ten different courses are used for training ANNs by random weight network, error back propagation algorithm, some metaheuristic algorithms such as grey wolf optimizer, artificial bee colony, particle swarm optimization, ant colony optimization, etc. The performances of the trained ANNs have been compared with each other by considering training accuracy, testing accuracy, training time. BP achieves the best mean training accuracy on both unnormalized and normalized datasets with 99.36% and 99.7%, respectively. GWO achieves the best mean testing accuracy on both unnormalized and normalized datasets with 80.39% and 82.39%, respectively. Moreover, RWN has the best running time of less than a second for training the ANN on both normalized and unnormalized datasets. The experiments and comparisons show that an ANN-based classifier can be used for determining the number of students taking the make-up exam.Article Citation - WoS: 11Citation - Scopus: 11A Literature Review on Deep Learning Algorithms for Analysis of X-Ray Images(Springer Heidelberg, 2023-09-12) Kiran, Mustafa Servet; Esme, Engin; Seyfi, Gokhan; Yilmaz, MerveSince the invention of the X-ray beam, it has been used for useful applications in various fields, such as medical diagnosis, fluoroscopy, radiation therapy, and computed tomography. In addition, it is also widely used to identify prohibited or illegal materials using X-ray imaging in the security field. However, these procedures are generally dependent on the human factor. An operator detects prohibited objects by projecting pseudo-color images onto a computer screen. Because these processes are prone to error, much work has gone into automating the processes involved. Initial research on this topic consisted mainly of machine learning and methods using hand-crafted features. The newly developed deep learning methods have subsequently been more successful. For this reason, deep learning algorithms are a trend in recent studies and the number of publications has increased in areas such as X-ray imaging. Therefore, we surveyed the studies published in the literature on Deep Learning-based X-ray imaging to attract new readers and provide new perspectives.Article Citation - WoS: 8Citation - Scopus: 10X-Ray Image Analysis for Explosive Circuit Detection Using Deep Learning Algorithms(Elsevier Ltd, 2024-01-01) Seyfi, G.; Yilmaz, M.; Esme, E.; Kiran, M.S.X-ray imaging technologies find applications across various domains, including medical imaging in health institutions or security in military facilities and public institutions. X-ray images acquired from diverse sources necessitate analysis by either trained human experts or automated systems. In cases where concealed electronic cards potentially pose threats, such as in laptops harboring explosive triggering circuits, conventional analysis methods are challenging to detect, even when scrutinized by skilled. The present investigation is centered on the utilization of deep learning algorithms for the analysis of X-ray images of laptop computers, with the aim of identifying concealed hazardous components. To construct the dataset, some control cards such as Arduino, Raspberry Pi and Bluetooth circuits were hidden inside the 60 distinct laptop computers and were subjected to X-ray imaging, yielding a total of 5094 X-ray images. The primary objective of this study is to distinguish laptops based on the presence or absence of concealed electronic cards. To this end, a suite of deep learning models, including EfficientNet, DenseNet, DarkNet19, DarkNet53, Inception, MobileNet, ResNet18, ResNet50, ResNet101, ShuffleNet and Xception were subjected to training, testing, and comparative evaluation. The performance of these models was assessed utilizing a range of metrics, encompassing accuracy, sensitivity, specificity, precision, f-measure, and g-mean. Among the various models examined, the ShuffleNet model emerged as the top-performing one, yielding superior results in terms of accuracy (0.8355), sensitivity (0.8199), specificity (0.8530), precision (0.8490), f-measure (0.8322), and g-mean (0.8352). © 2023 Elsevier B.V.Article Predicting the Relationship Between Consumer Buying Behavior (CBB) and Consumption Metaphor (CM) Through Machine Learning (ML)(Sciendo, 2025-03-01) Koyluoglu, Alaaddin Selcuk; Esme, EnginThe use of machine learning (ML) in the field of marketing has recently gained momentum in parallel with the development of technology. ML not only enables customers to predict their digital actions but also supports targeting the right customers with the best content at the right time. The study aims to predict the relationship between consumer buying behavior (CBB) and consumption metaphor (CM) through ML. In this context, the application of the study was built on two scenarios. In the first scenario, CBB is associated with the CM to confirm the ML estimation. In the second scenario, it is aimed that ML both predicts CBB and estimates and confirms the effect of CM on CBB. As a result, the k-nearest neighbors algorithm was able to predict consumers at the rate of 91.02% accuracy and predict consumers who do not intend to have tattoos at the rate of 90.98%. When the CM is considered, ML predicted consumers at the rate of 78.33% accuracy, and predicted consumers who do not tend to buy at the rate of 79%.Article A Deep Learning Ensemble Approach for X-Ray Image Classification(Konya Teknik Univ, 2024-09-01) Esme, Engin; Kıran, Mustafa ServetThe application of deep learning-based intelligent systems for X-ray imaging in various settings, including transportation, customs inspections, and public security, to identify hidden or prohibited objects are discussed in this study. In busy environments, x-ray inspections face challenges due to time limitations and a lack of qualified personnel. Deep learning algorithms can automate the imaging process, enhancing object detection and improving safety. This study uses a dataset of 5094 x-ray images of laptops with hidden foreign circuits and normal ones, training 11 deep learning algorithms with the 10-fold cross-validation method. The predictions of deep learning models selected based on the 70% threshold value have been combined using a meta-learner. ShuffleNet has the highest individual performance with 83.56%, followed by InceptionV3 at 81.30%, Darknet19 at 78.92%, DenseNet201 at 77.70% and Xception at 71.26%. Combining these models into an ensemble achieved a remarkable classification success rate of 85.97%, exceeding the performance of any individual model. The ensemble learning approach provides a more stable prediction output, reducing standard deviation among folds as well. This research highlights the potential for safer and more effective X-ray inspections through advanced machine learning techniques.Article Dinamik Oylama Tabanlı Topluluk Derin Öğrenme ile Benzer Mahsullerin Sınıflandırılması(2025-06-30) Eşme, Engin; Şen, Muhammed Arif; Cimen, HalilÜrün başına ilaçlama, sulama ve hasat gibi akıllı tarım uygulamalarını gerçekleştirebilen otonom makinelerin geliştirilmesinde derin öğrenme tabanlı yaklaşımlar, özellikle görüntü sınıflandırma ve veri analizi gibi görevlerde başarılı uygulamalar sergilemektedir. Tarımsal üretimde verimliliği artırmak ve sürdürülebilirliği sağlamak için bitki türlerinin doğru tanınması ve yabancı otlardan ayırt edilmesi kritik bir öneme sahiptir. Birbirine benzer görünüme sahip tarımsal mahsullerin sınıflandırılması, mevcut yöntemlerle zorlu bir problem olmaya devam etmektedir. Bu araştırma, benzer görünümlü tarımsal ürünlerin otomatik olarak tanınması ve sınıflandırılması konusunda önemli bir adım olmakla birlikte, akıllı tarım teknolojilerinin geliştirilmesine yönelik teorik ve pratik bir temel oluşturmaktadır. Bu çalışma, genellikle birbirine çok benzeyen tarımsal mahsul görüntülerini sınıflandırmayı amaçlayarak 17 farklı derin öğrenme modeli ve dinamik oylama yöntemini kullanmaktadır. Veri seti, kenevir, mısır, pirinç, şeker kamışı ve buğday olmak üzere beş benzer görünümlü mahsul türüne ait toplam 804 görüntüden oluşmaktadır. Güvenilirliği sağlamak amacıyla 10 katlı çapraz doğrulama kullanılmış ve tüm modellerde aynı örnek setleriyle tutarlı deneyler gerçekleştirilmiştir. Elde edilen sonuçlar modellerin birbirine çok benzer tarımsal mahsül görüntülerini sınıflandırma performanslarını doğruluk, eğitim süresi ve disk alanı açısından rapor etmektedir. Deneysel bulgulara göre, ShuffleNet test setinde %98,63 ile en yüksek bireysel doğruluğa ulaşmış, ancak topluluk yaklaşımı bu değeri %99,75'e yükseltmiştir. Önerilen topluluk yaklaşımı doğruluğu artırmakla kalmayıp daha fazla sağlamlık ve kararlılık sağlamaktadır. Ayrıca elde edilen teorik bilgi ve sonuçlar, bu alanda geliştirilecek akıllı tarım makinelerine entegre edilebilecek ve daha verimli şekilde çalışmasını sağlayacaktır.Article Citation - Scopus: 1A K-Elm Approach To the Prediction of Number of Students Taking Make-Up Exams(Gazi Univ, Fac Engineering Architecture, 2021-11-10) Kıran, Mustafa Servet; Sıramkaya, Eyup; Esme, EnginPurpose: The main objective of this study is to present a novel problem, and novel methodology to solve this problem. The problem is to predict the number of students who fail the course and will join the make-up exams. Theory and Methods: The number of students who fail the course should take a make-up exam, but some of them do not join these exams due to internal or external motivations, and this causes waste of resources. Majority of voting-based extreme learning machines have been proposed to solve the problem, and the ELM parameters have been optimized by artificial bee colony algorithm. Results: The proposed approach shows better performance than the extreme learning machines in terms of classification accuracy. Conclusion: Before the scheduling make-up exams, the number of students who will join the exams should be predicted by the proposed or similar approaches in order to use resources efficiently.Doctoral Thesis Geleneksel Kent Dokusunun Veri Madenciliği Yöntemiyle Analizi ve Yeni Yapı Tasarımları için Yapay Zekaya Dayalı Bir Model Önerisi(Konya Teknik Üniversitesi, 2024) Tazefidan, Ceyhan; Başar, Mehmet Emin; Eşme, EnginKentler, karmaşık ve kuralsız gibi görünen yapılarının altında coğrafik, iklimsel, sosyo-kültürel, ekonomik vb. çeşitli faktörlerin oluşturduğu kurallar doğrultusunda işleyen ve yaşayan sistemlerdir. Kente ait olan bu yapı, onu meydana getiren parçaların birbirleriyle olan ilişkilerinin çözümlenmesi ve bir kural sisteminin bulunması ile açığa çıkmaktadır. Bu kural sisteminin oluşturulmasında ise somut ve somut olmayan kültürel miras ögelerinden yararlanılmaktadır. Ancak zaman içerisinde kültürel miras anlamında kayıplar verilmekte ve bu ögeler çoğu zaman kaybolma tehlikesi ile karşı karşıya kalmaktadır. Kentlerin karmaşık yapılarına ilişkin mevcut bilgilerimizi arttırarak kentlerle ilgili müdahale süreçlerinde daha bilinçli ve bilgiye dayalı kararlar üretebilmek kent araştırmaları bağlamında önemlidir. Geniş ölçekli hesaplama sistemleri (large-scale computing) yeni nesil veri toplama ve analiz etme teknikleri kent araştırmaları alanında yeni olanaklar sunmaktadır. Günümüzde teknolojinin de gelişmesiyle birlikte her geçen gün daha fazla veri elde edilebilmekte ve disiplinler arası çalışmalarda bu verilerden ortaya çıkabilecek faydalı bilgilerin keşfi için veri madenciliği ve yapay zekaya dayalı yöntem ve teknikler kullanılmaktadır. Kentleri işlenmemiş verilerden oluşan birer veri tabanı olarak düşünecek olursak bu ham veriler veri madenciliği yardımıyla işlenerek kentsel sorunların çözümlenmesi bağlamında kentler için faydalı olabilecek kullanılmaya elverişli bilgilere dönüştürülebilecektir. Böylelikle hesaplamalı bilim ve mühendislik alanlarındaki önemli gelişmeler, kentsel veri analizi anlamındaki çalışmalarda çözüme ulaşma konusunda yardımcı olabilecektir. Bu sayede ortaya çıkacak olan algoritmalar yardımıyla karmaşık görünen kent yapılarının ve kural sisteminin çözümlenerek basite indirgenebilmesi sağlanacaktır. Günümüze kadar bütüncül bir biçimde korunabilmiş geleneksel kent dokularında yapılacak olan yeni yapı tasarımları için karar vericiler ve tasarımcılara destek olabilecek hesaplamalı bir model ve yazılım üretmek çalışmanın temel amacını oluşturmaktadır. Geleneksel kent dokuları, sahip oldukları kültürel değerleri, yaşam tarzları ve geçmişin izlerini yansıtan yere ait tüm diğer özellikleri ile korunmaya ihtiyaç duymaktadırlar. Kültürel miras değeri taşıyan bu kentlerde kültür mirası anlamında sürdürülebilirliğin sağlanabilmesi adına üç temel yaklaşım konusu öne çıkmaktadır. Bunlardan birincisi yapılaşma için seçilen yere ait özelliklerin belirlenmesi, ikincisi o yerde bulunan mevcut yapıların yeniden nasıl değerlendirileceği problemi, üçüncü ve son olarak ise tarihi sit alanı içerisinde yapılacak olan yeni yapıların tasarımı konusudur. Bu üç temel yaklaşımın da birbirinden bağımsız düşünülmemesi gerekmektedir. Yeni ihtiyaçlar doğrultusunda gerçekleştirilecek olan yapı tasarımları, dokunun iyi analiz edilmesini gerektirmektedir. Geleneksel dokularda yeterli analizin yapılmaması durumunda hatalı kararlar alınabilmektedir. Bu yapıların tasarlanmasında rol oynayan tasarımcıların tek başına bu analizi gerçekleştirebilmesi mümkün değildir. Bu nedenle yeni yapı tasarımları için kente dair özniteliklerin tespit edilmesi ve öznitelik değerlerinin birbiriyle olan ilişkisinin de hızlı bir şekilde çözümlenmesi gereklidir. Burada hem zaman hem de maliyet bakımından faydalı olabilecek tasarım araçlarına ihtiyaç duyulmaktadır. Günümüz teknolojilerinin gelişmesi ve veri boyutunun artmasıyla birlikte veri madenciliği ve yapay zeka gibi araçlar bu konularda çalışan bireylere zaman kazandırmaktadır. Farklı medeniyetlere ev sahipliği yapmış tarihi ve mimari dokusuyla önemli bir geleneksel kent örneği olan Konya iline bağlı Sille Mahallesi çalışmanın uygulama alanı olarak seçilmiştir. Alan çalışmasında mimari koruma disiplinine uygun olarak tarihi doku içerisinde bulunan 62 ada 541 adet parselde 2. grup kültür varlığı olan toplam 263 adet sivil mimarlık yapısının sahip olduğu öznitelik değerleri yapı bilgi formları hazırlanarak bir veri tabanında toplanmıştır. Veri madenciliği ve yapay zekaya dayalı tekniklerle yapılara dair veri analizleri gerçekleştirilmiş ve Matlab'da hazırlanan bir uygulama ile yeni yapı tasarımları için karar vermeye yardımcı olabilecek birliktelik kuralları elde edilmiştir. Ayrıca bu birliktelik kurallarından yola çıkılarak kentsel yenileme sınırları içerisinde yer alan 34 adet boş parselde yeni yapı tasarımına yönelik kütle gabarisi için alternatifler sunulmuştur. Böylelikle yere özgü olan kente dair veriler kullanılarak geleceğe dönük yeni yapı üretiminde geçmişin izlerinden yararlanmaya ve kentsel belleğin sürdürülebilirliğine de katkı sağlamaya çalışılmıştır.Review Citation - WoS: 7Citation - Scopus: 4A Literature Review on Deep Learning Algorithms for Analysis of X-Ray Images(SPRINGER HEIDELBERG, 2023) Seyfi, Gökhan; Esme, Engin; Yılmaz, Merve; Kıran, Mustafa ServetSince the invention of the X-ray beam, it has been used for useful applications in various fields, such as medical diagnosis, fluoroscopy, radiation therapy, and computed tomography. In addition, it is also widely used to identify prohibited or illegal materials using X-ray imaging in the security field. However, these procedures are generally dependent on the human factor. An operator detects prohibited objects by projecting pseudo-color images onto a computer screen. Because these processes are prone to error, much work has gone into automating the processes involved. Initial research on this topic consisted mainly of machine learning and methods using hand-crafted features. The newly developed deep learning methods have subsequently been more successful. For this reason, deep learning algorithms are a trend in recent studies and the number of publications has increased in areas such as X-ray imaging. Therefore, we surveyed the studies published in the literature on Deep Learning-based X-ray imaging to attract new readers and provide new perspectives.Conference Object Citation - Scopus: 1The Performance Analysis of Extreme Learning Machines on Odour Recognition(ASSOC COMPUTING MACHINERY, 2018-08-03) Eşme, Engin; Kıran, Mustafa ServetExtreme Learning Machine (ELM) is a single hidden layer feed-forward neural network learning method, which has a high generalization performance as well as faster. In this paper, odour data is discriminated based on the sensor response curve by using ELM, and the main objective is to investigate the optimum number of nodes in the hidden layer of ELM for olfactory detection. The relationship between the number of nodes in the hidden layer and the number of attributes or classes of dataset is queried to achieve the goal. Three odour datasets taken from different sources in literature and two transfer functions for the ELM are used to verify the results of the study. The backpropagation (BP) algorithm is also used for training an artificial neural network for comparison purposes. The analysis is performed for the three datasets by using ELM and BP and obtained results present that the time consumption of ELM is too small to be compared with BP even though the number of nodes is high and better accuracy rates are obtained by ELM.
Research Topics
Domains
Physical SciencesHealth Sciences
Fields
Computer ScienceEngineeringMedicineChemistry
Subfields
Artificial IntelligenceBiomedical EngineeringRadiology, Nuclear Medicine and ImagingElectrical and Electronic EngineeringAnalytical Chemistry
Specific Research Areas
Machine Learning and ELM
Advanced Chemical Sensor Technologies
COVID-19 diagnosis using AI
Gas Sensing Nanomaterials and Sensors
Spectroscopy and Chemometric Analyses
Sustainable Development Goals
2ZERO HUNGER
1
Research Products
Documents
11
Citations
72
h-index
4
Documents
11
Citations
63
Publication Collaboration
| Affiliation Name | Count |
|---|---|
| Konya Technical University | 10 |
| Selçuk University | 7 |
| Gümüşhane University | 1 |
| Shenzhen University | 1 |
| KTO Karatay University | 1 |
1 / 2
Data obtained from OpenAlex
| Journal | Count |
|---|---|
| International Journal of Machine Learning and Cybernetics | 2 |
| Applied Soft Computing | 1 |
| Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji | 1 |
| INTERNATIONAL JOURNAL OF MACHINE LEARNING AND CYBERNETICS | 1 |
| Journal Of The Faculty Of Engineering And Architecture Of Gazi University | 1 |
Current Page: 1 / 2
Scholarly Output
13
Articles
10
Views / Downloads
60/42
Supervised MSc Theses
0
Supervised PhD Theses
1
WoS Citation Count
34
Scopus Citation Count
40
Patents
0
Projects
0
WoS Citations per Publication
2.62
Scopus Citations per Publication
3.08
Open Access Source
6
Supervised Theses
1
Scopus Quartile Distribution
Competency Cloud
