Geri Dön

Konvolüsyonel sinir ağları kullanılarak çiçek türlerinin sınıflandırılması

Classification of flower species using convolutional neural networks

  1. Tez No: 553325
  2. Yazar: ELAF SABRI SARHAN GHRAIRI
  3. Danışmanlar: DOÇ. DR. İSMAİL BABAOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: AlexNet, Geri yayılım, Konvolüsyonel Sinir Ağları, Derin Öğrenme, Görüntü Sınıflandırma, AlexNet, Back propagation, Convolutional Neural Networks, Deep Learning, Image Classification
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Konvolüsyonel sinir ağları (Convolutional Neural Networks - CNN) yüz tanıma, hasta teşhisi, nesne algılama ve resim sınıflandırma gibi birçok alanda oldukça başarılı olarak kullanılmaktadır. CNN, görüntü veri kümeleri üzerinde sınıflandırma işlemi gerçekleştirir. Önce görüntü veri kümelerini sayısal dizilere çevirir, daha sonra bu sayısal verileri sınıflandırma işlemine tabi tutar. CNN'de oluşturulan model sınıflandırma başarısını doğrudan etkilemektedir, dolayısıyla her görüntü veri kümesine uygun bir CNN modeli tasarlamak gerekmektedir. Bu tez çalışmasında, Kaggle web sitesinden 10 farklı çiçek türünün 210 görüntüsünden oluşan çiçek resimleri veri kümesi ele alınarak, bu çiçek resim veri kümesine uygun bir CNN modeli tasarımı önerilmiştir. Önerilen CNN modeli üzerinde çiçek resim veri kümesinin daha iyi başarı ile sınıflandırma işlemini gerçekleştirmesi için çiçek resimleri üzerinde 4 farklı açıda yansıtma ve döndürme işlemleri ile veri kümesinin büyüklüğü arttırılmıştır. Çiçek resimleri veri kümesi üzerinde hem renkli olarak hem de gri olarak sınıflandırma işlemi yapılmıştır. Önerilen CNN modeli üzerinde sınıflandırma başarıları 5-fold çapraz doğrulama ile elde edildikten sonra renkli veri kümesinin sınıflandırma sonuçları gri sınıflandırma sonuçları ile karşılaştırılmıştır. Deneysel sonuçlara göre önerilen CNN modeli renkli ve gri veri kümeleri için sırasıyla %84 ve %47 test sınıflandırma başarıları elde etmiştir. Elde edilen sınıflandırma test sonuçlarına göre önerilen CNN modeli renkli veri kümesi üzerinde daha iyi bir performans göstermiştir.

Özet (Çeviri)

Convolutional Neural Networks (CNN) is used very successfully in many areas such as face recognition, patient diagnosis, object detection and picture classification. The CNN performs the classification on the image data sets, first converts the image data sets to numerical arrays, then subject the numerical data to the classification process. The model created in CNN directly affects the success of the classification, so it is necessary to design a CNN model suitable for each image data set. In this thesis, a flower image dataset consisting of 210 images of 10 different flower species from Kaggle website is considered and a CNN model design suitable for this flower image dataset is proposed. On the proposed CNN model, the data set was increased implementing 4 different angles of reflection and rotation on the flower images in order to achieve better classification results of the flower image data set. Flower images were graded both in color and gray on the dataset. The classification successes on the proposed CNN model were obtained by 5-fold cross validation and the results of the color data set were compared with the gray classification results. According to experimental results, the proposed CNN model achieved 84% and 47% test classification successes for color and gray data sets, respectively. According to the obtained classification test results, the proposed CNN model performed better on the color dataset.

Benzer Tezler

  1. Lung cancer classification and detection using convolutional neural networks

    Konvolüsyonel sinir ağları kullanılarak akciğer kanseri sınıflaması ve tespiti

    DENIZ NISHAM ANWER SAFAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiGaziantep Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERKAN ÖZBAY

  2. Konvolüsyonel sinir ağları kullanılarak COVID-19 ve pulmonerevresinin tespiti

    Detection of COVID-19 and its pulmonary stage using convolutional neural networks

    NEDİM MUZOĞLU

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR SIDDIK BİNBOĞA YARMAN

  3. Microstrip patch antenna modeling with knowledge-based neural networks

    Bilgiye dayalı yapay sinir ağları kullanılarak mikroşerit yama antenin modellenmesi

    EKİN SU SAÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET CEMAL DURGUN

  4. Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması

    3D medical image recognition using deep learning networks

    ROUBA OMAR ALAHMAD ALOSMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI CEDİMOĞLU

  5. Position detection for arbitrary-oriented ships in satellite imagery via convolutional neural network

    Kesinlikle yönlenen gemiler için uydu görüntüsünde konvolusyonel sinir ağlarıyla konum tespiti

    OTHMAN MOHAMMED AYOOB AYOOB

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SEVCAN KAHRAMAN