Geri Dön

Makine öğrenmesi yöntemleri ile arı alt türlerinin sınıflandırılması

Classification bee subspaces by machine learning methods

  1. Tez No: 488049
  2. Yazar: HASAN DEMİR
  3. Danışmanlar: DOÇ. DR. PAKİZE ERDOĞMUŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Bu araştırmada arı kanatları üzerindeki kavşak noktalarına göre arı türlerinin sınıflandırılması amaçlanmıştır. Beş farklı il/ilçe 'den alınan arı kanat resimleri üzerinde kavşak noktaları belirlenmiştir. Arı kanatları üzerinde kavşak noktalarının belirlenmesi işleminin minimum hata ile yapılması ve standart bir kavşak noktası seçimi için kavşak noktası seçim algoritması önerilmiştir. Kavşak noktaları kullanılarak açı, uzunluk, indeks ve alan bilgileri içeren 27 morfolojik özellik çıkarılmıştır. Bu özellikler arasındaki sayısal farklılıkların giderilmesi ve iş yükünün azaltılması için verilere normalizasyon işlemi uygulanmıştır. Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA), K-Ortalama (K-Means) ve K-en Yakın Komşu (KNN) algoritmaları, sınıflandırma yöntemi olarak kullanılmıştır. Veri boyutunu azaltmak için Kaba Kuvvet Yöntemi (BFM) , İleri Sıralı Seçim (SFS) ve Lineer Discirimant Analiz (LDA) yöntemlerinden yararlanılmıştır. Arı alt türlerinin sınıflandırılmasında en yüksek başarı, K-Means yöntemi ile %50, DVM yöntemi ile % 71, KNN yönteminde ile %55,3 ve YSA ile %82,7 olarak gözlemlenmiştir. Kavşak noktaları için önerilen algoritmanın kullanıldığı ve kullanılmadığı durumlardaki başarı oranları, boyut indirgeme yöntemlerinin kullandığı ve kullanılmadığı durumlardaki başarı oranları incelenmiştir. Görüntüler üzerindeki kavşak noktalarının seçimi, özellik çıkarma ve verilerin sınıflandırılmasında MATLAB© programı kullanılmıştır.

Özet (Çeviri)

In this research, it is aimed to classify the bee species according to the intersection points on the bee wings. The intersection points on the pictures of bee wings taken from five different country / districts have been determined. The intersection point selection algorithm is proposed for the determination of intersection points on bees' wings with minimum error and for selecting a standard intersection point. Using the intersection points, 27 morphological features including angle, length and area information were extracted. The normalization process has been applied to eliminate numerical differences between these features and to reduce workload. Support Vector Machines (SVM), Artificial Neural Networks (ANN), K-Means (K-Means) and K-Nearest Neighbors (KNN) algorithms were used as the classification method. Brute Force Method (BFM), Forward Sequential Selection(SFS) and Linear Discrimant Analysis (LDA) methods were used to reduce the data size. The highest success rate in the classification of bee subspecies was 50% with K-Means, 71% with SVM, 55,3% with KNN and 82,7% with ANN. The success rates of the proposed and unused algorithms for intersection points and the success rates of cases where size reduction methods are used or not are examined. The selection of the intersection points on the images, feature extraction and the classification of data, MATLAB© program is used.

Benzer Tezler

  1. A composed technical debt identification methodology to predict software vulnerabilities

    Yazılım zafiyetlerini tahmin etmek için kapsamlı bir teknik borç tanımlama yöntemi

    RUŞEN HALEPMOLLASI

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYŞE TOSUN KÜHN

  2. Yapay arı kolonisi algoritması ile özellik seçimi

    Feature selection using artificial bee colony algorithm

    ZEHRA KIRAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET BABALIK

  3. Derin öğrenme kullanarak ovaryum follikülerinin sınıflandırılması

    Classification of ovarian follicles with deep learning

    ÖZKAN İNİK

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ERKAN ÜLKER

  4. Approximate spectral clustering ensemble methods for clustering of large data sets

    Büyük veri kümelerinin sınıflandırılmasında yaklaşık spektral öbekleme birleşimi yöntemleri

    YASER MOAZZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

    DOÇ. DR. KADİM TAŞDEMİR

  5. Tüketici yorumlarının fayda düzeyinin tahminlenmesine yönelik bir araştırma: Makine öğrenmesi algoritmalarının karşılaştırılması

    A study on estimating the usefulness level of consumer reviews: Comparison of machine learning algorithms

    OĞUZHAN ARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Yönetim Bilişim SistemleriSakarya Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. ADEM AKBIYIK