Citation Number
1
Views
7
Downloands
2
Kapalı spor salonları yapay aydınlatmaya ihtiyaç duyulan ve sağlıklı spor yapılabilmesi için aydınlatmanın kontrol altında tutulması gereken alanlardandır. Oyuncu performansları ve sağlıkları korumak için TV’de maç izleyen seyircilerin görüş yeteneği ve konforu için önemlidir. Aydınlatma yapım aşamasından başlayarak planlı bir şekilde bakımları ve kontrolleri yapılmalıdır. Kapalı spor salonlarında noktasal ölçü aletleriyle yapılan ölçümler uzun zaman almaktadır. Bu çalışmada bu soruna çözüm bulmak için makine öğrenme teknikleri kullanılarak kapalı spor salonunun parıltı ölçümleri yapılmıştır. Veri setini oluşturmak için spor salonunda standartlarda olduğu gibi 91 tane referans noktası belirlenmiştir. Belirlenen bu noktaların parıltısı ölçülmüş ve çekilen fotoğrafı üzerinden bu noktaların piksel değerleri (R,G,B) hesaplanmıştır. 91 veri seti rastgele olarak %70 eğitim verisi, %30 test verisi olarak ayrılmıştır. Çalışmada makine öğrenme yöntemi olarak Olasılıksal Sinir Ağı (PNN) ve Destek Vektör Makinesi (SVM) teknikleri kullanılmıştır. Tekniklerin başarısını ölçmek için Ortalama Hata Karesi (MSE), Kök Ortalama Kare Hatası (RMSE), korelasyon katsayısı ve doğruluk oranı yöntemleri kullanılmıştır.
Closed gyms are the areas where artificial lighting is needed and lighting must be controlled in order to be able to do healthy sports. To preserve the performance and health of the player; it is important for the viewing ability and comfort of the audience watching the match on TV. Starting from the lighting production stage, maintenance and controls should be done in a planned way. Measurements by point measurement tools in closed gyms take a long time. In this study, brightness measurements of the closed gym were made using machine learning techniques to find a solution to this problem. 91 reference points have been identified as standard in the gym to create the data set. The brightness of these points is measured and the piksel values of these points (R, G, B) are calculated through the photograph taken. 91 sets of data are randomly assigned to 70% training data and 30% test data. The study used the techniques of the Possible Neural Network (PNN) and the Support Vector Machine (SVM) as machine learning methods. To measure the success of the techniques, the average error square (MSE), the root average error square (RMSE), the correlation ratio and the accuracy ratio methods have been used.
Indoor sports halls are places in which artificial lighting is needed and lighting should be monitored in order to provide a healthy sports environment. It is of utmost importance for maintaining player performances and their health and the visual ability and comfort of the spectator watching matches on TV. Lighting should be maintained and monitored in a planned manner starting from the construction period. It takes a long of period of time to perform measurements using point measuring tools in indoor sports halls. In this study, the luminance estimation of an indoor sports hall was made using machine learning techniques in order to find a solution to this problem. In order to form the data set, 91 reference points were identified according to the standards in the sports hall. The luminance of these points was measured and pixel values of these points (R, G, B) were identified on the photograph taken. 91 data sets were randomly categorized as training data (70%) and test data (30%). In the study, Probabilistic Neural Network (PNN) and Support Vector Machine (SVM) techniques were used as machine learning methods. The mean square error (MSE), the root mean square error (RMSE), the correlation coefficient and the accuracy rate methods were used in order to test the success rate of these techniques.
Field : Fen Bilimleri ve Matematik
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
