Derin öğrenme ile plankton sınıflandırması
Plankton classification with deep learning
- Tez No: 758557
- Danışmanlar: DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Detection of plant leaf diseases via deep learning
Başlık çevirisi yok
YOUSIF NAJI HAMAD HAMAD
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CELAL ÖZTÜRK
- 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
2022
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FEVZİ KARSLI
- 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
2023
Bilim ve Teknolojiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDURRAHİM AKGÜNDOĞDU