Geri Dön

Derin öğrenme ile plankton sınıflandırması

Plankton classification with deep learning

  1. Tez No: 758557
  2. Yazar: BETÜL SÖMEK
  3. Danışmanlar: DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 124

Özet

Planktonlar atmosferdeki oksijenin yaklaşık olarak yarısını üretmekten sorumlu olan, su ekosisteminde besin zincirinin en alt basamağında yer alan, dünyadaki yaşamın en önemli bileşenlerinden biridir. Plankton dağılımları, küresel ısınma gibi iklim değişiklikleri için önemli bir haberci olarak görülmektedir. Bundan dolayı dağılımlarını takip etmek, analizlerini yapmak ve su kalitesi hakkında bilgi sahibi olmak kritik bir öneme sahiptir. Plankton görüntüleme teknolojilerinin gelişmesiyle birlikte su ekosistemlerinden çok sayıda plankton görüntüsü elde edilmektedir. Geleneksel manuel sınıflandırma sistemleri, giderek büyüyen plankton veri kümesi sınıflandırma gereksinimlerini karşılayamamaktadır. Manuel sınıflandırma sistemleri, uzmanlık bilgisi gerektiren ve oldukça zaman alıcı olan yöntemlerdir. Bu nedenle, elde edilen verinin çok fazla sayıda olması ve planktonların dağılımlarının bilinmesinin önemli olması veriyi sınıflandıran otomatik sistemlere ihtiyacı günden güne arttırmaktadır. Tez kapsamında, Ulusal Veri Bilimi Kasesi olarak adlandırılan Kaggle platformunda düzenlenen, planktonları otomatik olarak algılamayı amaçlayan yarışmada yayınlanan 121 sınıfa ait 30.336 plankton görüntüsünden oluşan veri kümesinin 118 sınıfa ve 38 sınıfa sahip iki farklı sürümü kullanılmıştır. Bu çalışmada, plankton görüntülerini sınıflandırmak için derin evrişimsel sinir ağları olan Inceptionv3, InceptionResNetv2, DenseNet, ResNet-50, VGG-16 ağları; aktarım öğrenmesi, ince ayar, tüm katmanların eğitilmesi yöntemleri ile eğitilmiş ve veri arttırma ve ön işleme işlemlerinin eğitime katkısı gözlemlenmiştir. Kaggle veri kümesinin kullanılan iki farklı sürümüyle ağlarda eğitilen modellerde 118 sınıfa sahip ilk sürümünde en yüksek %78 başarım, 38 sınıfa sahip ikinci sürümünde %92 başarım elde edilmiştir. Ortalama topluluk yöntemi kullanılarak ilk sürümünde başarımın %2, ikinci sürümünde %1 artması sağlanmıştır.

Özet (Çeviri)

Plankton which is at the bottom of the food chain in the aquatic ecosystem and is responsible for producing approximately half of the oxygen in the atmosphere, is one of the most important components of life on earth. Plankton distributions are seen as an important precursor for climate changes such as global warming. Therefore, it is very critical to follow their distribution, to analyze and to have information about water quality. With the development of plankton imaging technologies, a large number of plankton images are obtained from aquatic ecosystems. Traditional manual classification systems are unable to meet the ever-growing plankton dataset classification requirements. Manual classification systems are methods that require specialist knowledge and are very time consuming. For this reason, the large number of data obtained and the importance of knowing the distribution of plankton increase the need for automated systems that classify data day by day. Within the scope of the thesis, two different versions of 118 classes and 38 classes of the dataset consisting of 30,336 plankton images belonging to 121 classes published in the competition aiming to automatically detect plankton and organized on the Kaggle platform, called the National Data Science Bowl, were used. In this study, deep convolutional neural networks namely Inceptionv3, InceptionResNetv2, DenseNet, ResNet-50, VGG-16 networks were trained to classify plankton images; transfer learning, fine tuning, training of all layers methods were used and the contribution of data augmentation and preprocessing on classification was observed. With the two different versions of the Kaggle dataset, in the models trained on the networks, the highest performance of 78% was achieved in the first version with 118 classes, and 92% performance in the second version with 38 classes. By using the average ensemble method, the performance increased by 2% in the first version and 1% in the second version of the dataset.

Benzer Tezler

  1. Derin öğrenme ile süper çözünürlüklü radar görüntüleme

    Super resolution radar imaging with deep learning

    İREM FADİME ERİM

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik-Haberleşme Eğitimi Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Detection of plant leaf diseases via deep learning

    Başlık çevirisi yok

    YOUSIF NAJI HAMAD HAMAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilim ve TeknolojiAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAKAN KOYUNCU

  3. Derin öğrenme ile nesne algılamada transfer öğrenme ve ince ayar işlemlerinin etkinliklerinin araştırılması

    Studying effectiveness of transfer learning and fine tuning processes in object detection with deep learning

    MEHMET UĞUR TÜRKDAMAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CELAL ÖZTÜRK

  4. Derin öğrenme ile nokta bulutu üzerinden bina çatı tiplerinin sınıflandırılması

    Classification of building roof types through point cloud with deep learning

    MERVE YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Jeodezi ve FotogrametriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FEVZİ KARSLI

  5. Derin öğrenme ile optik koherens tomografi görüntülerinden retinal bozukluk tanısı

    Retinal disorder diagnosis from optical coherence tomography images with deep learning

    GÜLSÜM ARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilim ve Teknolojiİstanbul Üniversitesi-Cerrahpaşa

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ABDURRAHİM AKGÜNDOĞDU