Ahmet Fırat Yelkuvan

Mr. Ahmet Fırat Yelkuvan

orcid

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
15 February 2025 in Sensors
Verified
Journal Article
Open access
PDF file
MÖMEHMET AKİF ÖZTÜRK
MEHMET AKİF ÖZTÜRK
EMRE ÜNSALEMRE ÜNSAL
EMRE ÜNSAL
AYAhmet Fırat Yelkuvan
Ahmet Fırat Yelkuvan
Monitoring ultra-pure water quality is crucial in dialysis centers and medical laboratories as even minor impurities can significantly impact health and diagnostic accuracy. In addition, the semiconductor industry needs and uses a significant amount of ultra-pure water. This study introduces an Internet of Things-based system for real-time monitoring and analysis of ultra-pure water conductivity, temperature, and other key parameters. The proposed system integrates a high-precision conductivity sensor, an ESP32 microcontroller, and a web-based interface to enable remote data access and visualization. Data transmission is through wireless communication, and values are stored on a web-based server for long-term analysis. Rigorous tests conducted at Sivas Numune Hospital validated the system’s reliability, accuracy, and ability to maintain stringent ultra-pure water quality standards. This robust and cost-effective monitoring solution addresses the limitations of conventional systems and provides real-time insights, ensuring consistent water quality for sensitive medical applications.

30 June 2025 in Sivas Cumhuriyet Üniversitesi Mühendislik Fakültesi Dergisi
Verified
Journal Article
Closed access
AYAhmet Fırat Yelkuvan
Ahmet Fırat Yelkuvan
Blur is one of the common factors that deteriorate image quality and can be caused by various factors such as motion, defocus, or environmental conditions. The presence of partially or globally blurred images in a dataset can make object recognition challenging, thereby reducing the effectiveness of image classification models. To mitigate this issue, blurred images must either be removed from the dataset or processed using deblurring techniques. In this project, the impact of blurred images on the performance of deep learning-based image classification models investigated. Specifically, the goal was to analyze how different levels of image blur affect classification accuracy. To achieve this, a convolutional neural network (CNN) model was trained using the CIFAR-10 dataset, with varying proportions of blurred images: 0%, 25%, 50%, and 100%. The experiment results demonstrated that increasing the proportion of blurred images in the training dataset led to a decline in validation accuracy. The model achieved validation accuracies of 67.53%, 65.50%, 63.90%, and 55.74% when trained with datasets containing 0%, 25%, 50%, and 100% blurred images, respectively. These findings highlight the adverse effects of image blur on classification performance, emphasizing the importance of high-quality image data in deep learning applications.

15 October 2025 in Annals of Computer Science and Information Systems
Verified
Conference Paper
Closed access
KGKali Gürharaman
Kali Gürharaman
AYAhmet Fırat Yelkuvan
Ahmet Fırat Yelkuvan
RKRukiye Karakis
Rukiye Karakis

15 October 2025 in Annals of Computer Science and Information Systems
Verified
Conference Paper
Closed access
KGKali Gürkahraman
Kali Gürkahraman
AYAhmet Fırat Yelkuvan
Ahmet Fırat Yelkuvan
RKRukiye Karakis
Rukiye Karakis

20 July 2026 in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
Verified
Journal Article
Closed access
KGKali Gurkahraman
Kali Gurkahraman
RKRukiye Karakiş
Rukiye Karakiş
AYAhmet Fırat Yelkuvan
Ahmet Fırat Yelkuvan
Beyin çıkarımı, nörogörüntüleme çalışmalarında, beynin çevresindeki dokulardan ayrıştırılmasını sağlayan kritik bir işlemdir. Bu adımın doğruluğu; hacimsel analiz, görüntü çakıştırma, beyin bölgelerinin segmentasyonu gibi sonraki işlemlerin doğruluğunu doğrudan etkilemektedir. Tıbbın pek çok alanında olduğu gibi, derin öğrenme (DL: Deep Learning) tabanlı yaklaşımlar beyin çıkarımı görevinde de umut vadeden sonuçlar sunmaktadır. Bu süreçte, özellikle beyin sınırlarının hassas bir şekilde segmentasyonu, modellerin başarısını belirleyen en önemli faktörlerden biridir. Bu çalışma, CM-BET adını taşıyan ve kademeli yapıda tasarlanmış 3B bir DL modeli önermektedir. CM-BET, iki aşamalı bir mimariye sahiptir: İlk aşamada yer alan MRS-UNet, UNet’in kodlayıcı bloklarına entegre edilen keskinleştirme katmanları sayesinde yüksek frekanslı kenar bilgilerini öne çıkararak gri tonlamalı bir çıktı üretir. İkinci aşamadaki MR-UNet, bu keskinleştirilmiş görüntüyü girdi olarak alarak beyin bölgesini daha hassas biçimde segmentler ve ikili (binary) bir beyin maskesi üretir. Modelin latent katmanında, düşük gradyanlı beyin sınırı bilgilerini koruyabilmek amacıyla ResNet50’den alınan artık bağlantılar (residual connections) kullanılmıştır. Ayrıca, MRI dilimlerinde sıkça karşılaşılan sınıf dengesizliği sorununu ele alabilmek adına, fokal kayıp (focal loss) içeren hibrit bir kayıp fonksiyonu geliştirilmiştir. Modelin başarımı, yedi farklı kamuya açık veriseti üzerinde kapsamlı biçimde değerlendirilmiştir. Elde edilen sonuçlar, CM-BET’in literatürdeki DL tabanlı yöntemlere ve yaygın segmentasyon mimarileri olan UNet, UNet++ ve DeepLabv3+ modellerine kıyasla üstün performans sergilediğini ortaya koymaktadır. Önerilen model, tüm verisetlerinde Dice katsayısı açısından 0.9809–0.9984, duyarlılık (sensitivity) açısından 0.9831–0.9991 ve özgüllük (specificity) açısından 0.9958–0.9992 aralığında sonuçlar elde ederek hem geleneksel hem de gelişmiş UNet türevlerini geride bırakmıştır.