Yapay zeka yöntemleri kullanılarak fındık yaprağından türünün belirlenmesi
Determination of hazelnut species from leaf using artificial intelligence methods
- Tez No: 1023619
- Danışmanlar: PROF. DR. HUMAR KAHRAMANLI ÖRNEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Fındık yapraklarının türlerine göre doğru ve güvenilir bir şekilde sınıflandırılması, akıllı tarım uygulamaları, kalite kontrol ve sürdürülebilir üretim açısından önemli bir gereksinimdir. Bu çalışmada, Karadeniz Bölgesi'nde yaygın olarak yetiştirilen Palaz, Çakıldak, Yağlı, Kara ve Dağ fındığı türlerine ait yaprak görüntülerinin sınıflandırılması amaçlanmıştır. Bu doğrultuda, her türe ait dengeli bir veri kümesi oluşturulmuş ve görüntüler standart çekim koşullarında elde edilmiştir. Çalışmada, derin öğrenme tabanlı DenseNet201, InceptionResNetV2, InceptionV3, MobileNetV2, NASNetLarge, VGG16, VGG19 ve Xception modelleri ile makine öğrenmesi tabanlı Lojistik Regresyon (LR), Destek Vektör Makineleri (DVM), Rastgele Orman (RF), Gradyan Artırma (GB), Karar Ağacı (DT), K-En Yakın Komşu (k-NN) ve Naive Bayes (NB) algoritmaları karşılaştırılmıştır. Modellerin performansı doğruluk, hassasiyet, duyarlılık, F1 skoru, Log Loss ve ROC-AUC ölçütleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, derin öğrenme modellerinin geleneksel makine öğrenmesi algoritmalarına göre daha başarılı performans gösterdiğini ortaya koymuştur. Özellikle DenseNet201 modeli, Batch Size = 16 ve öğrenme oranı = 0,001 parametreleri ile en yüksek doğruluk ve en dengeli performans değerlerini elde ederek çalışmanın en başarılı modeli olmuştur. Bu bulgular, derin öğrenme tabanlı yöntemlerin yaprak görüntülerindeki ayırt edici özellikleri etkili bir şekilde öğrenebildiğini ve görüntü tabanlı sınıflandırma problemlerinde yüksek başarı sağladığını göstermektedir. Sonuç olarak, geliştirilen model fındık yapraklarının otomatik sınıflandırılmasında yüksek doğruluk sunmuş ve akıllı tarım uygulamaları, kalite kontrol süreçleri ve gerçek zamanlı tür tespit sistemleri için uygulanabilir bir çözüm ortaya koymuştur. Çalışmanın hem literatüre katkı sağlaması hem de tarımsal üretimde yapay zekâ tabanlı karar destek sistemlerinin geliştirilmesine temel oluşturması beklenmektedir.
Özet (Çeviri)
Accurate and reliable classification of hazelnut leaves according to their cultivars is an important requirement for smart agriculture applications, quality control, and sustainable production. In this study, it was aimed to classify leaf images belonging to the Palaz, Çakıldak, Yağlı, Kara, and Dağ hazelnut cultivars, which are widely grown in the Black Sea Region. For this purpose, a balanced dataset was created for each cultivar, and the images were acquired under standardized imaging conditions. In the study, deep learning models including DenseNet201, InceptionResNetV2, InceptionV3, MobileNetV2, NASNetLarge, VGG16, VGG19, and Xception, together with machine learning algorithms including Logistic Regression (LR), Support Vector Machine (SVM), Random Forest (RF), Gradient Boosting (GB), Decision Tree (DT), k-Nearest Neighbors (k-NN), and Naive Bayes (NB), were comparatively evaluated. The performance of the models was assessed using accuracy, precision, recall, F1-score, log loss, and ROC-AUC metrics. The results showed that the deep learning models outperformed the traditional machine learning algorithms. In particular, the DenseNet201 model achieved the highest accuracy and the most balanced performance with a batch size of 16 and a learning rate of 0.001. These findings demonstrate that deep learning-based approaches can effectively learn discriminative features from leaf images and achieve high performance in image-based classification tasks. As a result, the proposed model provided high accuracy in the automatic classification of hazelnut leaves and offers an applicable solution for smart agriculture applications, quality control processes, and real-time cultivar identification systems. It is expected that this study will contribute to the literature and support the development of artificial intelligence-based decision support systems for agricultural production.
Benzer Tezler
- Hiperspektral görüntüleme ve makine öğrenmesi teknikleri ile küflü kuru incirlerin tahribatsız olarak tespiti
Hyperspectral imaging and machine learning techniques for non-invasive detection of fungal contaminated dried figs
ALİ GÜNEŞ
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUNCAY AYDOĞAN
- Derin öğrenme yöntemleri kullanılarak covid-19 vaka tahmini ve mevsimsel etkilerin analizi
Prediction of covid-19 cases using deep learning methods and analyzing of seasonal effects
ÖZNUR YILDIRIM
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ FINDIK
- Bulanık mantık ve yapay sinir ağı yöntemleri ile kurutma sürecinin modellenmesi
Modeling of drying processes with fuzzy logic and artifical neural network methods
MERT LEVENT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİL NUSRET BULUŞ
- Yapay zeka teknikleri kullanarak sabit görüntüler için sayısal damgalama
Digital watermarking scheme for still images using artificial intelligent techniques
OĞUZ FINDIK
Doktora
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ERKAN ÜLKER
- Yapay zeka yöntemleri kullanılarak PID denetleyici parametrelerinin belirlenmesi
Determination of the PID controller parameters using artificial intelligence
ASUMAN SAVAŞÇIHABEŞ
Yüksek Lisans
Türkçe
2008
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYTEKİN BAĞIŞ