Evrişimli sinir ağları yöntemlerini kullanarak bitki tohum ve fidelerini sınıflandırma
Plant seeds and seedlings classification using convolutional neural network methods
- Tez No: 744365
- Danışmanlar: DOÇ. DR. RECEP ERYİĞİT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ziraat, Computer Engineering and Computer Science and Control, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 76
Özet
Dünyada artan nüfus ve sınırlı gıda kaynakları hakkında artan endişelerle birlikte, çağdaş bilgisayar teknolojisinin faydalarının tarım alanlarının verimliliğini artırmak için uygulanması kaçınılmazdır. Günümüzde CNN modelleri, özellikle görüntü sınıflandırma alanında, geleneksel makine öğrenimi yöntemlerinden daha iyi performans göstermektedir. Dolayısıyla, CNN modelleri günden güne daha yaygın olarak kullanılmaktadır. Bu çalışma, tarımsal faaliyetlere katkı sağlamanın yanı sıra, öne çıkan CNN modelleri kullanılarak bitki fide görüntülerinin sınıflandırılmasında en iyi yöntemin ortaya çıkarılması ve çiftçilerin tarım alanında çalışmalarını kolaylaştırmayı amaçlamaktadır. Çeşitli CNN modelleri kullanılarak, Kaggle sınıflandırılmış çevrimiçi veri bilimi platformundan bitki fidelerinin görüntüleri toplandı. Veri setinde 12 farklı bitki fide sınıfı ve 9 farklı tohum sınıfı bulunmakta ve toplam veri örneği sayısı sırasıyla 4750 ve 5285'tir. Modellerin performansını artırmak için hem veri ön işleme hem de veri büyütme uygulanmaktadır. Ayrıca, modellerde ince ayar yapmak için öğrenme oranı düzgün bir şekilde düşürüldü. Model performansını değerlendirmek için ortalama karekök hatası kullanıldı. Görüntülerin arka planlarının büyütülmesi ve kaldırılmasının modellerin performansını önemli ölçüde iyileştirdiği gözlemlenmiştir. Buna göre InceptionResNETv2 modelinin kullanılmasıyla doğruluk değeri yüzde 96,55 olarak elde edilmiştir. Bu sonuç, aynı veri seti üzerinde önceki çalışmalarla karşılaştırıldığında önemli bir gelişmedir. Sonuçlar, bu çalışmanın tarımsal faaliyetleri iyileştireceğini ve çiftçilerin bitki fide ve tohumlarını sınıflandırmasına yardımcı olacağını söylemek için cesaret verici olarak görülmektedir.
Özet (Çeviri)
With growing concerns about the increasing population in the world and finite food resources, the application of the benefits of contemporary computing technology to improve the efficiency of agricultural fields is inevitable. CNN models today are outperforming traditional machine learning methods, especially in the image classification area. Consequently, CNN models are being used more and more prevalent day to day. This study, in addition to contributing to agricultural activities, it is aimed to reveal the best method in the classification of plant seedling images by using prominent CNN models and to facilitate the work of farmers in the agricultural field. Using various CNN models, plant seedlings and seeds' images were gathered from online data science platform Kaggle classified. There are 12 different plant seedlings' classes and 9 different plant seeds' classes in the data set and the total number of data samples are respectively 4750 and 5285. Data preprocessing and data augmentation both are applied to improve the performance of the models. Furthermore, learning rate was reduced properly to fine-tune the models. Root-mean-square error was used to evaluate the model performance. It is observed that augmentation and removing the backgrounds of the images significantly improved the performance of the models. Accordingly, With the use of the InceptionResNETv2 model, the accuracy value was obtained as 96.55 percent. This result is a significant improvement comparing the previous works on the same dataset. The results are encouraging to say that this work will improve agricultural activities and help farmers classify plant seedlings and plant seeds.
Benzer Tezler
- Derin öğrenme yöntemleri ile MODIS tabanlı NDVI ve LST zaman serilerinin kestirimi ve kuraklık şiddetinin araştırılması
Prediction of MODIS-based NDVI and LST time series and investigation of drought severity using deep learning methods
EMİRCAN BUĞA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER CAN İBAN
- Uzaktan algılama sistemleri ile yangına hassas bölgelerin tahmin edilmesi
Forecasting fire prone regions utilizing remote sensing systems
SEMANUR ÇÖKEKOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH AHMET ŞENEL
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Hyperspectral image classification with active learning and Bayesian convolutional neural networks
Aktif öğrenme ve Bayes evrişimsel sinir ağları ile hiperspektral görüntü sınıflandırma
MAHMOOD SIDDEEQ QADIR QADIR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN BİLGİN
- Yüksek çözünürlüklü uydu görüntü verileri kullanılarak bina ve yol sınıflarının derin öğrenme yöntemiyle belirlenmesi
Determination of building and road classes using high-resolution satellite image data with a deep learni̇ng method
DUYGU ARIKAN
Doktora
Türkçe
2024
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH YILDIZ