Termal görüntülerde ateş tespitinde klasik/modern metotlar ve geniş dil modeli yaklaşımı

Bu tez çalışmasında, termal görüntü ile COVID-19 ve benzeri ateşli hastalıkların tespiti amacıyla farklı yöntemler karşılaştırılmıştır. Haar Cascade (HC), Derin Öğrenme (Deep Learning) ve Büyük Dil Modeli (LLM) ile gerçekleştirilen analizler, yöntemlerin termal görüntüleme, yüz tanıma ve veri analizi alanındaki performanslarını değerlendirilmiştir. Burada, LLM doğrudan bir görüntü işleme yöntemi olmamış, arka planda belirlediği algoritma ve parametrelerle analiz sürecine katkı sağlamıştır. HC yöntemi, tekil yüzlerin bulunduğu termal görüntülerde %75 doğruluk oranı ile başarılı bir performans sergilerken, çoklu yüz içeren görüntülerde bu oran %50'nin altına düşmüştür. Bu yöntem, RGB görüntülerde daha yüksek doğruluk oranları sergilemesine rağmen, karmaşık termal görüntülerde sınırlamalar göstermiştir. HC yönteminin özellikle düşük kontrast ve düşük çözünürlüklü görüntülerde kullanım potansiyeli dikkat çekmiştir. Derin öğrenme modelleri, termal görüntü işleme alanında yüksek doğruluk oranları ile öne çıkmıştır. Özellikle tekil yüzlerin bulunduğu termal görüntülerde %100 doğruluk oranına yaklaşılmıştır. Bununla birlikte, çoklu yüz içeren görüntülerde başarı oranı %0'a düşmüştür. Model, normal ve yan açıdan alınan görüntülerde etkili sonuçlar sunarken, karmaşık senaryolar için daha fazla iyileştirme gerekliliği ortaya koymuştur. Veri setinin genişletilmesi ve transfer öğrenme tekniklerinin uygulanması, bu modelin performansını artırabilecektir. LLM, belirlediği algoritma ve parametrelerle özellikle yüz tespitinden sonra sıcaklık analizinin anlamlandırılmasında önemli bir rol oynamıştır. Üretilen model, normal yüz tespitinde %62.5 doğruluk oranı ile orta düzeyde bir performans sergilemiştir. Ancak, farklı açılardan çekilmiş yüzlerde ve çoklu yüz içeren görüntülerde başarısı önemli ölçüde düşmüştür. LLM'nin doğal dil işleme yetenekleri, termal görüntülerden elde edilen verilerin daha iyi analiz edilmesine olanak sağlasa da yüz tespiti konusunda Haar Cascade veya Derin Öğrenme yöntemleriyle desteklenmesi gerekmektedir. Anahtar Kelimeler: Termal görüntüleme, Derin öğrenme, Haar Cascade, Büyük Dil Modeli (LLM)

In this thesis, various methods were compared for detecting COVID-19 and similar febrile diseases using thermal imaging. The analyses conducted with Haar Cascade (HC), Deep Learning (DL), and Large Language Model (LLM) evaluated the performance of these methods in the fields of thermal imaging, face recognition, and data analysis. The results provided significant findings, particularly in single face detection and the use of thermal images in healthcare applications. The HC method showed successful performance with a 75% accuracy rate in thermal images containing single faces, while this rate dropped below 50% in images with multiple faces. This method demonstrated higher accuracy rates in RGB images, but exhibited limitations in complex thermal images. The potential of the HC method, especially in low contrast and low-resolution images, was noteworthy. Deep learning models stood out in thermal image processing with high accuracy rates. Specifically, a 100% accuracy rate was achieved in thermal images containing single faces. However, the success rate dropped to 0% in images with multiple faces. The model provided effective results in both normal and side-angle images, but revealed the need for further improvements in more complex scenarios. Expanding the dataset and applying transfer learning techniques could enhance the performance of this model. LLM proved to be a powerful tool in interpreting temperature analysis after face detection. The model demonstrated moderate performance with a 62.5% accuracy rate in normal face detection. However, its performance significantly decreased in images with faces captured from different angles or containing multiple faces. Although the natural language processing capabilities of LLM allowed for better analysis of the data obtained from thermal images, face detection still needs to be supported by Haar Cascade or Deep Learning methods. Keywords: Thermal imaging, Deep learning, Haar Cascade, Large Language Model (LLM)