Akademik Veri Yönetim Sistemi
6th INTERNATIONAL WORLD HEALTH CONGRESS, Bayburt, Türkiye, 22 - 23 Kasım 2024, cilt.1, ss.472-481, (Tam Metin Bildiri)
Makine öğrenmesi, veri odaklı modelleme yaparak insan zekasına benzer işlevler gerçekleştiren bir yapay zeka alt alanıdır ve veri biliminin önemli bir bileşenini oluşturmaktadır. Makine öğrenmesinin bir alt kümesi olan derin öğrenme ise, özellikle çok katmanlı yapay sinir ağları ile yüksek boyutlu verilerden karmaşık örüntüler çıkarmaktadır. Bu çalışmada, Teachable Machine 2.0 ve Android Studio kullanılarak hastane demirbaşlarının kamera ile tanınması ve stok bilgilerinin gösterilmesi hedeflenmektedir. Teachable Machine 2.0 üzerinde oluşturulan derin öğrenme tabanlı görüntü sınıflandırma modeli, Android Studio'ya entegre edilmiştir. Her bir tıbbi cihaz etiketi için yaklaşık 50 adet resim kullanılarak modelin eğitimi sağlanmış ve yazılımın bu tıbbi cihazları tanıması sağlanmıştır. Böylece, uygulama kamera ile çekilen fotoğrafları analiz ederek cihazın adını ve stok miktarını kullanıcıya sunabilmektedir. Ayrıca, mobil cihazın kamera özelliği kullanılarak kare kod okuma fonksiyonu eklenmiş ve demirbaşların marka, model, seri numarası, künye numarası, bulunduğu hastane, bölüm, zimmet sahibi ve çalışabilirlik durumu gibi detaylı bilgilere hızlı erişim olanağı sağlanmıştır. Android Studio, uygulamanın Android platformlarına uyumlu bir şekilde geliştirilmesini, tasarımının yapılmasını ve Teachable Machine 2.0 entegrasyonunu gerçekleştirilmesini sağlamaktadır. Teachable Machine 2.0'da oluşturulan derin öğrenme modeli, Java çıktıları kullanılarak Android Studio'ya aktarılmıştır. Sonuç olarak, geliştirilen uygulama ile demirbaş tanıma ve kare kod okuma özellikleri sunularak, hastane envanter takibinin mobil uygulama üzeride etkin bir şekilde yapılması sağlanmıştır.
Machine learning is a subfield of artificial intelligence that performs functions similar to human intelligence by modeling data-driven processes, and it constitutes an important component of data science. Deep learning, a subset of machine learning, extracts complex patterns from high-dimensional data, especially using multi-layered artificial neural networks. This study aims to recognize hospital assets via camera and display their stock information using Teachable Machine 2.0 and Android Studio. A deep learning-based image classification model created on Teachable Machine 2.0 has been integrated into Android Studio. By training the model with approximately 50 images for each medical device label, the software is able to recognize these medical devices. Thus, the application can analyze photos taken with the camera and present the device name and stock amount to the user. Additionally, a QR code reading function has been added using the camera feature of the mobile device, providing quick access to detailed information such as the assets' brand, model, serial number, inventory number, the hospital where it is located, department, responsible person, and operational status. Android Studio facilitates the development and design of the application compatible with Android platforms, as well as the integration of Teachable Machine 2.0. The deep learning model created in Teachable Machine 2.0 has been transferred to Android Studio using Java outputs. As a result, the developed application offers asset recognition and QR code reading features, enabling effective hospital inventory tracking on a mobile application.