Üniversite kampüsleri farklı ağ yapıları ve kullanıcı sınıfları barındıran yerlerdir. Kampüs ağları günümüzde çok karmaşık hale geldi. Öğretimin kalitesini yükseltmek için bilgi teknolojileri kampüslerde en iyi şekilde kullanılmaktadır. Üniversiteler birçok kesimin ilgisini çeken verileri kendi sistemlerinde barındırırlar. İnternete çıkışı olan bu yapılar sürekli siber tehditlere maruz kalmaktadır. Bu çalışmada siber tehlikelere karşı birçok zayıf halkası bulunan üniversitelerin neden saldırıların hedefinde olduğu anlaşılmaya çalışıldı. En çok kullanılan saldırı yöntemlerinin neler olduğuna bakıldı. Siber zayıflıkların giderilmesi için çözümler önerildi. Bilgi güvenliği politikalarının oluşturulması ve uyulması, kullanıcılara siber farkındalık eğitimleri aldırılması, bilgi sistemleri altyapılarının güçlendirilmesi gerektiği görüldü. Siber farkındalık eğitimleri konusunda izlenecek yol önerildi. Üniversiteleri kötü algılardan koruyacak, siber zararlara karşı güçlü kılacak çok boyutlu çalışmalardan ve politikalardan taviz verilmemelidir.

This study proposes a deep learning-based method to detect foreign objects around the railway line. It is important to make this determination with high accuracy for rail transport safety, but traditional methods are disadvantageous in terms of time and cost. In the proposed method, the RailSem19 dataset was used, and a YOLOv8-based model was designed. YOLOv8 is a prominent algorithm in the literature with its fast and accurate object detection capability. In the study, the dataset was diversified using image enhancement techniques. The training, validation, and testing stages used manually labeled data for human and car classes. The training process was carried out through Google Colab and different YOLOv8 sub-architectures were evaluated. The results showed that the YOLOv8m sub-architecture had higher mAP50 values than the other sub-architectures and showed a successful performance in the validation phase. The YOLOv8m model was able to clearly distinguish people and cars around the railway line. The YOLOv8m sub-architecture achieved a mAP50 value of 88.8%. This study presents an automated and efficient method to improve rail transport safety. The high success of the YOLOv8-based model with the RailSem19 dataset can be considered an effective solution to detect potential risks around the railway line.

A fastener is an important component used to fix the rail in railways. Defects in this component cause the rail and ballast to remain unstable. If the defective fasteners are not replaced in time, it is inevitable that the train will derail, and seri...

Demiryolu ulaşımı son yıllarda demiryolu hat uzunluğunun artmasıyla beraber kapasitesini arttırmıştır. Hızlı trenlerin gelişmesi de bu duruma katkı sağlamıştır. Yolcu ve yük kapasitesinin artması güvenlik tedbirlerinin önemini daha da arttırmıştır. Demiryolu hatlarının güvenliğini sağlamak için hatların belirli aralıklarla denetlenmesi gerekmektedir. Demiryolu hattı bakımında ray üzerinde bulunan kusurların tespiti son derece önemlidir. Bu çalışmada demiryolu bakımının önemli bir parçası olan ray bileşeni üzerindeki kusurların tespitine odaklanılmıştır. Çalışmada ray üzerinde bulunan kusurları bir nesne tespiti yöntemi olan YOLO ile tespit etme yoluna gidilmiştir. Farklı YOLO modelleri için topluluk öğrenmesine dayalı bir yöntem önerilmiştir. Deney sonuçları, 8 farklı kusur içeren veri seti üzerinde bütün sınıfları içeren tespit oranının %80’in üzerinde olduğunu göstermiştir.

Demiryolu güvenliğinin sağlanması, dinamik ortamlarda doğru ve gerçek zamanlı nesne tespiti gerektiren kritik bir mühendislik problemidir. Bu çalışmada, demiryolu izleme süreçlerini iyileştirmek amacıyla derin öğrenme tabanlı nesne tespiti modelleri geliştirilmiş ve RailSem19 veri seti kullanılarak YOLOv8, YOLOv9, YOLOv11 ve Faster R-CNN modelleri eğitilerek entegre edilmiştir. Ayrıca, nesnelerin mesafe ölçümlerinin hassasiyetini artırmak için ZED stereo kamerası kullanılmıştır. Deneysel bulgular, YOLOv9 modelinin doğruluk ve işlem verimliliği açısından en iyi dengeyi sağladığını ortaya koymakta olup, bu modelin ortalama doğruluk (mAP50) değeri %52,14 olarak hesaplanmış ve çıkarım süresi optimize edilmiştir. Önerilen yöntem, otonom demiryolu sistemleri ve güvenlik izleme uygulamaları için önemli bir potansiyel taşımaktadır. Gelecekteki çalışmalar, veri artırma teknikleri, yapay zekâ destekli yorumlanabilirlik ve çoklu sensör füzyonu ile modelin dayanıklılığını artırmaya odaklanacaktır.