Geri Dön

Food images classification with deep transfer learning and data augmentation approach

Derin transfer öğrenme ve veri büyütme yaklaşimi ile gida görüntüleri siniflandirma

  1. Tez No: 791246
  2. Yazar: DOAA ABDULMOHSIN JUMAAH AL-RUBAYE
  3. Danışmanlar: DOÇ. SERKAN AYVAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 104

Özet

Gıda görüntü sınıflandırması sorunu, sağlıktan pazarlamaya kadar yaşamın çeşitli yönlerindeki çoklu faydaları ve uygulamaları nedeniyle birçok araştırmacıyı çeken önemli bir konu haline gelmiştir. Birçok kronik hastalığın en önemli nedenlerinden biri olan ve erken ölüme neden olan obezitenin etkisini azaltmada kilit rol oynayan kalorileri ölçen birçok uygulamanın konusudur. Öte yandan, gıda görüntü sınıflandırması, gıda güvenliği uygulamaları için bir temel oluşturabilir. Bu, her tarımsal ürün için tüketim miktarlarını ayrı ayrı bilerek dünya çapında açlık riskini azaltır. Bu nedenle birçok araştırmacı, bu araştırmada kullanılan Food-101 veri setinde olduğu gibi, dünyanın en ünlü yemeklerini bir araya getirerek dünyadaki kültürel çeşitliliği simüle eden farklı ve çeşitli veri setleri oluşturmuştur. Bu veri kümesi gerçek dünya görüntülerinden oluşur ve 101 sınıfa eşit olarak dağıtılmış 101.000 görüntü içerir. Ayrıca mevcut sınıflara 35 yeni sınıf ve 4400 görüntü eklendikten sonra bu çalışmada aynı veri setine dayalı yeni bir veri seti oluşturulmuştur. Bu nedenle yeni oluşturulan bu gıda görüntüsü veri kümesi, toplam 135 sınıfa ve 189.000 görüntüden oluşan veri sayısına sahiptir. Görüntü sınıflandırma uygulamaları, bilgisayarla görme tabanlı nesne tanımadaki son gelişmelere büyük ölçüde dayanmaktadır. Bu tezde, veri artırılmış gıda veri setimiz kullanılarak gıda görüntü sınıflandırması için çeşitli derin transfer öğrenme yöntemleri araştırılmıştır. İki yönlü ve transfer öğrenme ile veri artırmanın uygulanmasının etkisi, Mobilenet, EfficientNetB1 ve ResNet dahil olmak üzere beş farklı derin öğrenme modeli kullanılarak değerlendirildi. EfficientNetB1 sınıflandırıcısının %96,13 puanla en iyi sonuçları elde ettiği belirtilmiştir. Ayrıca, veri artırma sürecimizin model performansını artırabildiği gösterilmiştir. Ayrıca, daha sonra veri artırma yöntemlerinden biri olarak kullanılan GAN algoritması kullanılarak yemeklerin görüntüleri oluşturulmuş ve bu yöntemden elde edilen sonuçlar sunulmuştur. Yukarıdakilere ek olarak, büyük veri konusu ve bununla nasıl başa çıkılacağı tartışıldı ve bu görev için Apache Spark'ı kullanılmıştır.

Özet (Çeviri)

Due to its numerous advantages and uses in a variety of spheres of life, from marketing to health, the subject of food image classification has emerged as a popular issue that draws attention from many researchers. It is the subject of many applications that measure calories, which plays a key role in reducing the effect of obesity, which is one of the most important causes of many chronic diseases and causes premature death. On the other hand, food image classification can serve as a basis for food safety practices. This reduces the risk of hunger worldwide by knowing the consumption amount for each agricultural product separately. For this reason, many researchers have created different and diverse data sets that simulate the cultural diversity in the world by bringing together the most famous dishes in the world, as in the Food-101 dataset used in this research. This dataset consists of real-world images and contains 101,000 images evenly distributed across 101 classes. In addition, after adding 35 new classes and 4400 images to the existing classes, a new data set was created in this study based on the same data set. This newly created food image dataset thus has a total of 135 classes and a data count of 189,000 images. Applications for image classification mainly rely on current developments in object recognition based on computer vision. Using our data-augmented food dataset, multiple deep transfer learning techniques were examined in this thesis for the classification of food images. There are five separate deep learning models used in the study. MobileNet, EfficientNetB1 & ResNet were used to assess the effects of applying two-way and transfer learning to data augmentation. With a score of 96.13%, the EfficientNetB1 classifier was singled out for its superior performance. Additionally, we discovered that the model performance might be enhanced by our data augmentation procedure. Also, the images of meals were generated using the GAN algorithm, which was later used as one of the methods of data augmentation, and the results obtained from this method were presented. In addition to the above, the topic of big data and how to deal with it was discussed, and Apache Spark was used for this task.

Benzer Tezler

  1. Derin öğrenme ile plankton sınıflandırması

    Plankton classification with deep learning

    BETÜL SÖMEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM

  2. Efficient deep learning approaches for signal and image analysis applications

    Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları

    ONUR CAN KOYUN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. Derin öğrenme ile bitkilerin sulama ihtiyacı tespiti

    Deep learning for detection of plant irrigation needs

    VOLKAN İNCE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Mekatronik MühendisliğiBursa Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET MERT

  4. Classification of agricultural land cover using satellite imagery with deep learning

    Derin öğrenme ile uydu görüntüleri kullanılarak tarımsal arazi örtüsünün sınıflandırılması

    ABDULWAHEED ADEBOLA YUSUF

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GALİP AYDIN

  5. Detection of calcium deficiency and physiological status in strawberry leaves using deep learning

    Çilekteki yapraklarındaki kalsiyum eksikliği ve fizyolojik durumun derin öğrenme kullanılarak tespit edilmesi

    MUHAB HARİRİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERCAN AVŞAR