Bozkurt, ErdoğanEker, Mehmet Emin2026-02-132026-02-13202527.08.2025https://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsphttps://hdl.handle.net/11501/2631Derin öğrenme, yapay zekânın bir alt dalı olarak son yıllarda sağlık, otomotiv ve görüntü işleme gibi pek çok alanda yaygın şekilde kullanılmakta ve özellikle görsel verilerin analizinde nesne tanıma, sınıflandırma ve kalite değerlendirme gibi görevlerde yüksek başarı göstermektedir. Bu çalışmada, bir teknoloji şirketinin satış sonrası teknik servisinde onarım öncesi ve sonrası müşteri iddialarını doğrulamak amacıyla çekilen fotoğraflarda kullanıcı kaynaklı özen eksikliği nedeniyle ortaya çıkan kalite sorunlarına odaklanılmıştır. Kalitesiz görüntülerin sistemde yer alması hem doğrulama sürecini zorlaştırmakta hem de depolama alanında israfa ve maliyet artışına neden olmaktadır. Bu probleme çözüm olarak geliştirilen derin öğrenme tabanlı model, fotoğrafların aydınlık, bulanıklık ve kadraj gibi temel kalite parametrelerini değerlendirerek görüntüleri "iyi" veya "kötü" olarak sınıflandırmaktadır. Yapılan deneysel çalışmalar, modelin teknik servis süreçlerinde kullanılan fotoğrafların kalitesini güvenilir ve etkili şekilde belirleyebildiğini göstermiştir. Sonuç olarak, önerilen yaklaşım sayesinde düşük kaliteli görsellerin sistemden elenmesiyle depolama verimliliği artırılmakta, teknik servis süreçlerinde iş yükü azaltılmakta ve müşteri odaklı hizmet kalitesine katkı sağlanmaktadır.Deep learning, as a subfield of artificial intelligence, has recently gained widespread application in fields such as healthcare, automotive, and image processing, showing remarkable success particularly in visual data analysis tasks such as object recognition, classification, and quality assessment. This study focuses on the quality issues arising in the after-sales technical service department of a technology company, where photographs of smart devices are routinely taken before and after repair to verify potential customer claims but are often captured carelessly by users, resulting in poor quality. The presence of such low-quality images complicates verification processes, increases storage requirements, and leads to unnecessary time and cost inefficiencies. To address this problem, a deep learning-based model was developed to automatically evaluate the quality of the photographs by assessing parameters such as brightness, blurriness, and framing, classifying them as either "good" or "poor." Experimental findings confirm that the proposed model can reliably and effectively determine image quality within technical service operations. As a result, filtering out low-quality photographs not only reduces storage waste but also enhances process efficiency and contributes to improved service quality.trinfo:eu-repo/semantics/openAccessYapay ZekâDerin ÖğrenmeGörüntü Kalitesi DeğerlendirmesiGörüntü İşlemeAkıllı CihazlarArtificial IntelligenceDeep LearningImage Quality AssessmentImage ProcessingSmart DevicesMaster Thesis978993