Derin öğrenme ile mantar türlerinin sınıflandırılması
Classification of mushroom species with deep learning
- Tez No: 1019270
- Danışmanlar: PROF. DR. MEHMET FIRAT BARAN, ÖĞR. GÖR. ERHAN KAHYA
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyosistem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, zehirli ve zehirsiz mantarların görsel olarak ayırt edilmesi için derin öğrenmeye dayalı bir yaklaşımı ele almaktadır. Çalışmanın temel amacı, nesne algılama yöntemi kullanarak mantar görüntülerinin otomatik olarak tanınmasına katkıda bulunmaktır. Araştırmada, zehirli sınıfı temsil etmek için Amanita muscaria, zehirsiz sınıfı temsil etmek için ise Pleurotus ostreatus ve Agaricus bisporus görüntüleri kullanılmıştır. Görüntüler, farklı açılar, farklı aydınlatma koşulları ve çeşitli arka planlar içerecek şekilde hazırlanmıştır. Böylece amaç, kontrollü ortam dışındaki görüntülere karşı model için daha sağlam bir öğrenme yapısı geliştirmektir. Çalışmada, görüntüler nesne algılama yaklaşımına uygun olarak etiketlenmiş ve veri artırma süreçleri uygulanmıştır. Eğitim süreci için temel olarak YOLOv8 mimarisi kullanılmıştır. Veri yapısı, etiketleme şeması ve eğitim parametreleri birlikte değerlendirildiğinde, seçilen yöntemin problemin doğasıyla uyumlu olduğu görülmüştür. Bulguların yorumlanması sonucunda, veri çeşitliliğinin model başarısı için kritik öneme sahip olduğu ve sınıf dengesizliğinin, özellikle zehirli sınıflarda, dikkatlice değerlendirilmesi gereken bir risk oluşturduğu anlaşılmıştır. Literatür taraması, derin öğrenme tabanlı modellerin tarımsal görüntü işleme alanında yaygın olarak kullanıldığını, ancak genelleme kapasitesi ve gerçek saha koşullarına adaptasyonun hâlâ önemli araştırma konuları olduğunu göstermektedir. Sonuç olarak, bu tez, mantarların otomatik tespiti için uygulanabilir bir temel model çerçevesi sunmakta ve bu alanda veri kalitesi, etiketleme disiplini ve sınıf dengesi gibi faktörlerin belirleyici rolünü ortaya koymaktadır. Bu çalışmanın, gelecekteki mobil karar destek sistemleri ve saha tabanlı akıllı teşhis uygulamaları için bir temel oluşturabileceği düşünülmektedir.
Özet (Çeviri)
This thesis addresses a deep learning-based approach for visually distinguishing poisonous and non-poisonous mushrooms. Its main objective is to contribute to the automatic recognition of mushroom images using an object detection method. Amanita muscaria was used to represent the poisonous class, while Pleurotus ostreatus and Agaricus bisporus represented the non-poisonous class. The images were prepared to include different angles, lighting conditions, and backgrounds, aiming to develop a more robust learning structure for images outside controlled environments. The images were labeled according to the object detection approach, and data augmentation was applied. The YOLOv8 architecture was used as the basis for training. Evaluating the data structure, labeling scheme, and training parameters together showed that the chosen method is compatible with the nature of the problem. The findings revealed that data diversity is critical for model success and that class imbalance, especially in the poisonous class, is a risk requiring careful consideration. The literature review shows that deep learning-based models are widely used in agricultural image processing, but generalization capacity and adaptation to real field conditions remain important research topics. In conclusion, this thesis presents a viable baseline model framework for automated mushroom detection and reveals the decisive role of data quality, labeling discipline, and class balance. This study may form a foundation for future mobile decision support systems and field-based intelligent diagnostic applications.
Benzer Tezler
- Yenilebilir mantar türlerinin derin öğrenme ile sınıflandırılması
Classification of edible mushroom species with deep learning
HAKAN BAYATLI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KASIM ÖZACAR
- Gastroid mantar türlerinin makroskobik ve mikroskobik görüntülerikullanılarak yapay zeka destekli sınıflandırma modelinin geliştirilmesi
Development of an artificial intelligence-based classification model using macroscopic and microscopic images of gastroid fungi
EDA KUMRU
Yüksek Lisans
Türkçe
2026
BiyolojiAnkara ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. ILGAZ AKATA
DOÇ. DR. FATİH EKİNCİ
- Comparitive analysis of CNN algorithms for mushroom classification with proposed lightweight model
CNN algoritmalarının mantar sınıflandırmada önerilen hafif CNN modeli ile karşılaştırmalı analizi
AHMET NAMLI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİDEM ÖLÇER
- Derin transfer öğrenme yaklaşımları ile aflatoksinli kuru incirlerin tahribatsız gerçek zamanlı tespiti
Non-invasive real-time detection of aflatoxin contaminated dried figs with deep transfer learning approaches
CİHAN KILIÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER
- Evrişimsel sinir ağları kullanarak Aspergillus mantar türlerinin sınıflandırılması
Classification of Aspergillus fungi species using convolutional neural networks
SIMARA SAFARLI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR GÜREL