Hastane ortamında enfeksiyon kontrolü için akıllı izleme ve tespit sistemleri

Bu çalışma, hastane ortamında enfeksiyon kontrolüne yönelik derin öğrenme tabanlı bir maske tespit sisteminin CPU (Central Process Unit) ve GPU (Graphics Process Unit) üzerindeki performans farklılıklarını incelemektedir. Derin öğrenme modelleri arasında yer alan ResNet varyantları, maske tespiti amacıyla eğitilmiş olup, ameliyathane gibi yüksek doğruluğun kritik olduğu alanlar ile bekleme salonu gibi daha yoğun, ancak düşük hassasiyet gerektiren alanlarda uygulanabilirlikleri değerlendirilmektedir. Bu tez çalışmasında, CPU ve GPU donanımlarında maske tespiti modellerinin performans analizleri gerçekleştirilmiş olup; kare hızı (FPS), doğruluk oranları ve maliyet gibi metrikler üzerinden, her iki donanımın farklı hastane senaryolarındaki uygunluğu incelenmektedir. Ameliyathaneler gibi yüksek doğruluğun zorunlu olduğu ortamlarda GPU'nun sağladığı hız ve doğruluk avantajları öne çıkarken, kalabalık fakat düşük hassasiyet gerektiren alanlarda CPU'nun maliyet-etkin çözümler sunduğu gözlemlenmektedir. Bu çalışma, hastanelerdeki farklı kullanım senaryoları için hız, doğruluk ve maliyet dengesini gözeten en uygun model ve donanım yapılandırmalarını belirlemeyi amaçlamaktadır. Gerçekleştirilen kapsamlı analizler ve önerilen model optimizasyonları, maske tespiti sistemlerinin pratik uygulamalarda verimli ve doğru bir biçimde dağıtılması için literatüre özgün bir katkı sağlaması beklenmektedir.

This study examines the performance differences on a deep learning-based mask detection system CPU and GPU for control in hospital environments. ResNet details among deep learning models have been classified for mask detection purposes, and their applicability in high-temperature critical areas such as workrooms and more dense but low-range areas such as waiting rooms has been evaluated. In the study, performance analyzes of masking models in CPU and GPU hardware have been performed; There are options for both hardware in different hospital scenarios through metrics such as frame rate (Frame Per Second - FPS), accuracy rates and cost. While the speed and accuracy ranges of GPU distribution in places where high temperatures are mandatory such as operating rooms stand out, cost-effective solutions of CPU have been observed in crowded but low-range areas. This study provides the determination of suitable model and hardware features by considering speed, accuracy and cost for different usage scenarios in hospitals. The comprehensive analyses and suggested model changes provide an original contribution to the literature for the efficient and accurate distribution of mask detection results in practical applications.