In this study, the use of drones in transportation and some optimization studies carried out in the literature so far were examined. Based on these investigations, a genetic algorithm-based method has been proposed to solve the hybrid truck multi-drone problem. With the proposed algorithm, scenarios have been created using single or multiple drones and one truck for a certain number of customers to be delivered, and results have been obtained. In these scenarios, the main aim is to minimize delivery time. The results obtained have also been compared with other optimization algorithms and other results in the literature, and in addition, it has been proven that there is an inverse relationship between the number of drones and the delivery time. As a result of the comparisons, it has been clearly seen that the proposed algorithm is quite successful in finding the most suitable route in the shortest time compared to other studies. A solution has been created for a real-world problem with the proposed genetic algorithm-based algorithm, and it has been concluded that it is quite successful here as well.

Classification applications in order to obtain the desired information from satellite images are one of the increasing areas of study. Remote sensing satellite images are very difficult to obtain, but nevertheless, they can be used in many different areas. In this context, satellite images have be-come an important data source for land use and land cover analysis. In this study, the public EuroSAT dataset, which is compatible with land cover and land use classification, has been used. There are a total of 27000 images in this dataset, with ten different class labels, such as industry, forest, and lake, and approximately 3000 images in each. In order to perform a more precise and efficient classification study, the images have first been subjected to data augmentation using various techniques and have been divided into a training, test, and validation set. In terms of classification, six different convolutional neural network (CNN) architectures and two different vision transformer architectures have been used. Three experiments have been carried out for the pro-posed system, and the selected models have been trained with three different loss functions, and the results have been evaluated. The first of the loss functions used is cross-entropy, which is one of the most well-known and basic functions; the second is label smoothing cross-entropy; and the third is a new custom loss function that has been improved and consists of a special combination of both loss functions. The eight proposed models have been trained for all three loss functions; performance evaluations have been made by analyzing metrics such as accuracy, precision, and recall; and comparisons have been realized. After the proposed models have been evaluated in terms of these metrics, a Fuzzy Cognitive Map (FCM) has been created to integrate the model outputs to obtain the final classification result. For this construction, the accuracy of each model has been used in the neighborhood matrix of FCM. The accuracy of the proposed FCM method was calculated as 99.97%. When the results of the proposed different models have been examined, it has been clearly seen that the new loss function improved in this study has been more successful than the other two loss functions in all models. In addition, the simulation results of FCM-based integration indicate that our approach has very high accuracy.

Kullanım alanları her geçen gün artan İnsansız Hava Araçları (İHA), öncelikle savunma ve kamusal alanlarda kullanılmaya başlamıştır. Daha sonra, yapılan araştırma ve geliştirme çalışmalarının artması hem teknolojilerinin gelişmesine hem de ucuzlamalarına neden olmuştur. Ayrıca, İHA’ların otonom ve etkili bir şekilde görevlerini tamamlaması için yapılan bilimsel çalışmalarda önemli bir yere sahip olan optimizasyon çalışmaları, İHA’ların gelişmesi için büyük önem arz etmektedir. Gerek askeri gerekse diğer alanlarda büyük bir öneme sahip olan İHA’ların görevleri sırasında ortaya çıkan yüksek maliyet nedeniyle görev planlamasının verimli bir şekilde yapılması hem enerji tasarrufu açısından hem de zaman açısından önem taşımaktadır. Bu çalışmada İHA’ların hedeflerine görevlendirilirken farklı koşullara ve parametrelere göre hedef dağılımlarının optimum yapılması için bir inceleme yapılmış ve genetik algoritma kullanılarak çözümler sunulmuştur. Birden çok İHA'nın hedeflere gideceği yol, yoldaki engeller hesaba katılarak seçilmiştir. Aynı zamanda, hedeflerdeki düşman sayısına göre o hedefe kaç İHA’nın görevlendirileceğini belirlemek bu çalışmanın temel amaçlarından birisidir. Hedeflerde olan düşman sayısına göre görev dağılımı yapılırken, İHA’ların hedeflere olan uzaklığı dikkate alınmış ve düşmanlarla karşılaşacak olan İHA gruplarının güzergahı takip etmek için harcadığı enerjinin minimum olması hedeflenmiştir.

Elektrikli trenler, günümüzde yaygın olarak kullanılan, önemli bir ulaşım türüdür. Diğer ulaşım türleri ile karşılaştırıldığında elektrikli trenlerin güç tüketimi ve çevre kirliliğine olan etkisi daha azdır. Ayrıca konfor ve güvenlik gibi birçok avantajı vardır. Elektrikli trenlerde kullanılan en önemli bileşenlerden biri pantograf katener sistemidir. Pantograf katener sistemi, demiryolu hattı boyunca bulunan katener sistemi ve lokomotif üzerinde bulunan pantograf sisteminden oluşmaktadır. Lokomotifin ihtiyaç duyduğu elektrik enerjisi pantograf üst bölgesi ile katener telinin teması sonucunda sağlanmaktadır. Temas sırasında birçok nedenden dolayı arklar oluşmaktadır. Oluşan arklar elektrik enerjisinin sağlıklı aktarılmasını engellemektedir. Lokomotifin sağlıklı bir şekilde çalışabilmesi için elektrik enerjisinin sürekli alınabilmesi gerekmektedir. Bu nedenle pantograf katener sistemi elektrikli trenler için oldukça kritik bileşenlerdir. Bu çalışmada, pantograf katener sistemi için model ve ark tespiti için yeni bir yöntem önerilmektedir. Görüntü işleme ve bulanık mantık tabanlı bu yöntemde, birçok farklı türde pantograf sisteminin görüntüsü kullanılmıştır. Kullanılan görüntüler üzerinde Canny kenar çıkarımı yapıldıktan sonra Hough dönüşümü ile doğrular elde edilmektedir. Elde edilen doğruların bazı özellikleri bulanık mantığın giriş verileri olarak kullanılmaktadır. Bulanık mantık sonucunda pantograf sisteminin modeli tespit edilmektedir. Tespit edilen pantograf modeli kullanılarak pantograf temas bölgesinde oluşan arklar tespit edilmektedir.

İnsansız hava araçları (İHA) açısından gelişen teknoloji ile birlikte kullanım alanları ve üzerlerinde yapılan araştırma çalışmaları her geçen gün artmaktadır. Her ne kadar insansız olarak adlandırılsalar da İHA'lar bir pilot/uçuş görevlisi yardımıyla kontrol edilmekte ya da otonom uçuşları programlanmaktadır. Yapılan araştırmalar doğrultusunda, yaşanılan sorunların ve kazaların büyük bir kısmının İHA'ların inişi sırasında gerçekleştiği belirlenmiştir. Bu oranı azaltacak şekilde iniş aşamasında, iniş pistinin görüntü işleme yöntemleri ile tespit edilmesi ve nokta bulut yöntemiyle pistte bulunan engellerin analiz edilmesi bu konuda atılacak önemli bir adımdır. Bu nedenle bu çalışmada, İHA iniş sistemlerinde kullanılabilecek ve derin öğrenme ağlarıyla sağlanabilecek uygulamalara yer verilmiştir. Öncelikle, analizi gerçekleştirilecek olan iniş pistinin tasarımı yapılmıştır. Bu pist, çevresinde farklı araç ve engellerin de bulunduğu bir ortama bırakılmıştır. Daha sonra, pistin dört rotorlu bir İHA ile farklı yükseklik ve açılardan gerçek görüntüleri ve video kaydı alınmıştır. Alınan görüntüler daha sonra işleme ve eğitim aşamalarına tabi tutulmak için kullanılmıştır. İHA’nın iniş yapacağı pistin gerçek görüntülerinin alınması, bir dataset oluşturulması ve alınan bu görüntülerin YOLOv8’de işlenmesi sonucunda İHA iniş pisti tespiti sağlanmıştır. İniş pisti tespitinin ardından pist üzerinde engel bulunma ve bulunmama durumları nokta bulut yöntemi kullanılarak incelenmiş ve analizi gerçekleştirilmiştir. Siyah-beyaz ve renkli şekilde verilen derinlik haritaları ile uygulama tamamlanmıştır.