Derin öğrenme teknikleri ile üzüm çeşitlerinin belirlenmesi
Determination of grape varieties with deep learning techniques
- Tez No: 779755
- Danışmanlar: DOÇ. DR. MEHMET METİN ÖZGÜVEN, DOÇ. DR. ADEM YAĞCI
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyosistem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Bağcılıkta üzüm çeşitlerinin belirlenmesinde, çeşitlerin sürgününe, yaprağına, salkımına ve meyvesine ait ampelografik özellikler kullanılmaktadır. Ampelografik özellikler tespit edildikten sonra sayısal veya sözel olarak ifade edilmektedir. Bu çalışmada, elli adet üzüm çeşidinin yaprak, salkım ve meyvelerine ait ampelografik özellikleri kullanılarak derin öğrenme teknikleriyle sınıflandırılması yapılmıştır. Çalışmada, yeni ve özgün olarak geliştirilen CNN modeli önerilmiştir. Önerilen CNN modeli, 227x227x3 boyutunda, 9 854 yaprak, 8 745 salkım ve 8 721 meyve olmak üzere toplam 27 320 veri seti görüntüsü kullanılarak MATLAB 2021a platformu üzerinde geliştirilmiştir. Veri setinin %80'i eğitime %20'si ise doğrulamaya ayrılmıştır. Sınıflandırma, yaprak ve salkım/meyve görüntüleriyle iki aşamada gerçekleştirilmiştir. Üzüm çeşitlerinin özelliklerinin birbirlerine çok benzerlik göstermesinden dolayı, modelde ezberlemenin önüne geçilebilmesi için sınıflandırma da yaprak grubunda beş farklı, salkım/meyve grubunda ise dört farklı kategori olmak üzere toplam dokuz farklı kategori oluşturulmuştur. Yaprak görüntülerinin olduğu beş farklı kategorinin her birinde on sınıf bulunurken, salkım/meyve görüntülerinin olduğu dört farklı kategorinin her birinde on bir sınıf bulunmaktadır. Her bir kategorinin Doğruluk, Hassasiyet, Duyarlılık ve F1 Skoru değerleri ayrı ayrı hesaplanarak model performansı belirlenmiştir. Ayrıca önerilen model performansının karşılaştırılması için GoogleNet ve AlexNet modelleri de oluşturulan veri seti ile eğitilmiştir. Yeni model için yaprak grubunda doğruluk başarı oranları; kategori 1 için %82.50, kategori 2 için %90.03, kategori 3 için %87.44, kategori 4 için %94.10 ve kategori 5 için %92.40 olarak hesaplanmıştır. Salkım/meyve grubunda ise doğruluk başarı oranları; kategori 1 için %85.88, kategori 2 için %84.90, kategori 3 için %96.40 ve kategori 4 için %97.20 olarak hesaplanmıştır. GoogleNet modelinde başarı oranı %84.39, AlexNet modelinde ise %92.31 bulunmuştur. Çalışma sonucunda üç model arasında en yüksek başarı oranı, salkım/meyve grubundaki kategori 4'te %97.20, en düşük başarı oranı ise yaprak grubundaki kategori 1'de %82.50 doğrulukla yeni model ile hesaplanmıştır. Elde edilen bu sonuçlara bakıldığında, modellerin üzüm çeşitlerinin sınıflandırılmasında başarılı bir şekilde çalıştığı, üzüm çeşitlerinin ampelografik özelliklerini öğrenebildiği ve bu alanda yapılacak çalışmalarda kullanılabileceği ortaya çıkarılmıştır.
Özet (Çeviri)
In viticulture, the ampelographic characteristics of the shoot, leaf, inflorescence and fruit of the varieties are used to determine the grape varieties. After the ampelographic features are determined, they are expressed numerically or verbally. In this study, classification of fifty grape cultivars with deep learning techniques was done by using ampelographic features of leaves, bunch and fruits. In the study, a new and originally developed CNN model is proposed. The proposed CNN model was developed on the MATLAB 2021a platform, using a total of 27 320 dataset images, 227x227x3 in size, 9 854 leaves, 8 745 bunch and 8 721 fruits. 80% of the data set is reserved for training and 20% for validation. Classification was carried out in two stages with leaf and bunch /fruit images. Since the characteristics of grape varieties are very similar to each other, in order to avoid memorization in the model, a total of nine different categories were created, five different categories in the leaf group and four different categories in the bunch /fruit group. There are ten classes in each of the five different categories with leaf images, and eleven classes in each of the four different categories with bunch /fruit images. Model performance was determined by calculating the Accuracy, Sensitivity, Sensitivity and F1 Score values of each category separately. In addition, GoogleNet and AlexNet models were also trained with the newly created dataset to compare the proposed model performance. Accuracy success rates in the leaf group for the new model; 82.50% for category 1, 90.03% for category 2, 87.44% for category 3, 94.10% for category 4 and 92.40% for category 5. Accuracy and success rates in the bunch /fruit group; 85.88% for category 1, 84.90% for category 2, 96.40% for category 3 and 97.20% for category 4. The success rate was 84.39% in the GoogleNet model and 92.31% in the AlexNet model. As a result of the study, the highest success rate among the three models was calculated with 97.20% in category 4 in the bunch/fruit group, and the lowest success rate in category 1 in the leaf group was calculated with the new model with an accuracy of 82.50%. When these results are examined, it has been revealed that the models work successfully in the classification of grape varieties, can learn the ampelographic properties of grape varieties and can be used in studies in this field.
Benzer Tezler
- Derin öğrenme teknikleri ile bazı bağ hastalıklarının belirlenmesi
Determination of some vineyards disease with deep learning techniques
ZİYA ALTAŞ
Doktora
Türkçe
2023
ZiraatTokat Gaziosmanpaşa ÜniversitesiBiyosistem Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET METİN ÖZGÜVEN
DOÇ. DR. KEMAL ADEM
- Kuru üzüm kalitesinin derin öğrenme teknikleri ile gerçek zamanlı olarak tespiti
Detection the quality of raisin in real time by deep learning techniques
ABDULLAH YAĞIZ
Yüksek Lisans
Türkçe
2023
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN UĞUZ
- Derin öğrenme teknikleri kullanılarak bitki yaprağı görüntüleri üzerinden tür ve olası hastalık tespiti
Species and possible disease detection on plant leaf images using deep learning techniques
İREM NUR ECEMİŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMZA OSMAN İLHAN
- 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
- Konvolüsyonel sinir ağlarını kullanarak üzüm ve üzüm yapraklarının hastalıklarının tespit edilmesi
Grape and grape leaves diseases detection using convolutional neural networks
SHEKOFA GHOURY
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL SUNGUR