Derin öğrenme yaklaşımı ile fındık meyvesinin sınıflandırılması
Classification of hazelnut fruit with a deep learning approach
- Tez No: 741517
- Danışmanlar: DR. EYÜP EMRE ÜLKÜ, DOÇ. DR. KAZIM YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 61
Özet
Bilgi teknolojileri alanında yaşanan gelişmeler sayesinde insan hayatına etki eden yeni teknolojilerin ortaya çıkışı da hızlanmıştır. Özellikle son 10 yılda çok hızlı bir gelişme ve ilerleme sağlanan derin öğrenme teknolojisi, sağlık, haberleşme, günlük yaşam, tarım gibi birçok farklı alanda hayatın içine dahil olmuştur. Derin öğrenmenin son yıllarda tarımsal faaliyetlerle entegre edilmesi oldukça popüler bir yaklaşımdır. Bu tez çalışmasında fındıkların kalitesine göre sınıflandırılması işleminde derin öğrenme algoritmalarından yararlanılmaktadır. Derin öğrenme için gerekli olan veri seti uzman bir kişi tarafından oluşturulmuş ve etiketlenmiştir. Veri seti üç farklı sınıftan toplam 15770 görüntüden oluşmaktadır. Çalışma için derin öğrenme modellerinden VGG16, InceptionV3 ve Resnet50 olmak üzere üç farklı model kullanılmaktadır. Modellerin fındık veri setindeki başarıları karşılaştırılmıştır. Sonuçta VGG16 modeli %99'a yakın bir başarı, Inceptionv3 modeli %96'dan biraz fazla bir başarı ve Resnet50 modeli de %89'a yakın bir doğruluk başarısına ulaşmıştır. Çalışmanın ikinci aşamasında ise veri setindeki veri sayısının modellerin başarısına etkisi incelenmektedir. Veri seti kademeli olarak %50, %25 ve %10 oranında azaltılmıştır. Veri setinin boyutunun küçültülmesi ile modellerin başarısında önemli bir düşüş gözlenmiştir. Veri setinin %10'u kullanıldığında VGG16'nın başarısı %88'e, InceptionV3'ün başarısı %72'ye ve Resnet50'nin başarısı da %56 ya düştüğü tespit edilmiştir.
Özet (Çeviri)
Thanks to the developments in the field of information technologies, the emergence of new technologies that affect human life has also accelerated. Especially in the last 10 years, deep learning technology, which has made a very rapid development and progress, has been included in many different areas such as health, communication, daily life and agriculture. Integrating deep learning with agricultural activities is a very popular approach in recent years. In this thesis, deep learning algorithms are used in the classification of hazelnuts according to their quality. The data set required for deep learning was created and labeled by an expert. The data set consists of a total of 15770 images from three different classes. Three different models of deep learning, VGG16, InceptionV3, and Resnet50, are used for the study. The success of the models in the hazelnut dataset was compared. As a result, the VGG16 model achieved an accuracy of close to 99%, the Inceptionv3 model achieved a success of just over 96%, and the Resnet50 model achieved an accuracy of close to 89%. In the second stage of the study, the effect of the number of data in the data set on the success of the models is examined. The dataset is gradually reduced to 50%, 25% and 10%. It was observed that the success of the models decreased significantly with the reduction of the data set. When 10% of the data set is used, the success of VGG16 drops to 88%, the success of InceptionV3 to 72%, and the success of Resnet50 to 56%.
Benzer Tezler
- 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
- Derin öğrenme yaklaşımı ile malaria (sıtma) hastalığı görüntülerinin sınıflandırılması
Classification of malaria disease images using deep learning approach
MOHANAD MOHAMMED QANBAR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Building detection from very high resolution satellite images with deep learning approach
Derin öğrenme yaklaşımı ile çok yüksek çözünürlüklü uydu görüntülerinde bina tespiti
ESRA ÖZAYDIN
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Derin öğrenme yaklaşımı ile sağlam ve çürük elmaların sınıflandırılması
Classification of healthy and defective apples with deep learning approach
RAMAZAN DURSUN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH GÖKÇE
- Derin öğrenme yaklaşımı ile RFID tabanlı 2 boyutlu konum belirleme uygulaması
RFID based 2-d localization with deep learning
ARİFE MERVE İŞLEYİCİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN OKTAY ALTUN