Geri Dön

Efficentnet ve resnet-50 modelleri kullanılarak limon görüntülerinin sınıflandırılması

Lemon images classification using efficientnet and resnet-50 models

  1. Tez No: 803810
  2. Yazar: MUHAMMET TİMUÇİN ÖZDEMİR
  3. Danışmanlar: PROF. DR. RIDVAN SARAÇOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Van Yüzüncü Yıl Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

Ülkemiz limon üretiminde dünyanın önde gelen ülkeleri arasındadır. Araştırmalara göre dünyadaki limon ihracatının dörtte biri Türkiye tarafından yapılmaktadır. Bu kadar yüksek üretim kapasitesine sahip olan ülkemizde limon sınıflandırması birçok alanda hala eski yöntemlerle yapılmaktadır. Bu konvansiyonel sınıflandırma yöntemleri zaman israfına ve sınıflandırmada insan kaynaklı hatalara yol açmaktadır. Son yıllarda tarımsal ürün tespiti ve sınıflandırmalarında yapay zekâ çalışmalarının arttığı gözlemlenmektedir. Bu çalışmada da EfficientNet ve ResNet50 derin öğrenme modellerinin limon görüntülerinin sınıflandırılmasındaki başarısı araştırılmıştır. Çalışmada Majiec Adamiak tarafından oluşturulmuş Limon kalite kontrol veri seti (Lemons quality control dataset) adlı kullanılmıştır. Modellerin eğitilmesinde veri çoğaltma (data augmentation) ve öğrenimin aktarılması (transfer learning) işlemlerinden faydalanılmıştır. Basit rastgele örnekleme sonuçlarına göre 30 kez çalıştırılan EfficientNet modelinde başarı ortalaması %69.44 ve kayıp değeri de 0.8104 olarak hesaplanmıştır. ResNet50 modelinde elimizdeki verilerle yapılan beş katlı çapraz doğrulama (5-fold cross validation) sonucunda en yüksek başarı değeri %99.79 olurken ortalama başarıda %98.84 değeri elde edilmiştir. Kayıp değer ortalaması da 0.063 olarak hesaplanmıştır. Modellerin daha önce görmediği limon görüntüleri üzerine yaptığı tahminlerin genel olarak başarılı olduğu görülmüştür. Bazı küflü limonların renginden dolayı yeşil limon olarak algılandığı gözlemlenmiştir. Bu sıkıntının eldeki veri miktarının artırılması ile çözülebileceği düşünülmektedir.

Özet (Çeviri)

Our country is among the leading countries in the world in lemon production. According to research, one fourth of the world's lemon exports are made by Türkiye. In our country, which has such a high production capacity, lemon classification is still done with old methods in many areas. These conventional classification methods lead to waste of time and human-induced errors in classification. In recent years, it has been observed that artificial intelligence studies have increased in agricultural product detection and classification. In this study, the success of EfficientNet and ResNet50 deep learning models in classifying lemon images was investigated. In the study, Lemons quality control dataset, which was created by Majiec Adamiak, was used. Data augmentation and transfer learning processes were used in training the models. According to the results of simple random sampling, the average of success in the EfficientNet model, which was run 30 times, was calculated as 69.44% and the loss value was calculated as 0.8104. As a result of the five-fold cross validation (5-fold cross validation) performed with the data we have in the ResNet50 model, the highest success value was 99.79%, while the average success rate was 98.84%. The mean lost value was also calculated as 0.063. It was seen that the predictions made by the models on the lemon images that they had not seen before were generally successful. It has been observed that some moldy lemons are perceived as green lemons due to their color. It is thought that this problem can be solved by increasing the amount of data available.

Benzer Tezler

  1. Classification of COVID-19 from different computed tomography image datasets with machine learning and deep learning methods

    Farklı bilgisayarlı tomografi görüntü veri kümelerinden makine öğrenme ve derin öğrenme yöntemleriyle COVID-19 sınıflandırılması

    FARID FUAD AL-HAJJ SAIF AL-AREQI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ZEKİ KONYAR

  2. Direkt el grafilerinden effıcıentnet derin öğrenme modeli kullanılarak cinsiyet tahmini

    Gender prediction from direct hand radiams using efficient net deep learning model

    YUSUF SEÇGİN

    Doktora

    Türkçe

    Türkçe

    2024

    AnatomiKarabük Üniversitesi

    Anatomi Ana Bilim Dalı

    DOÇ. DR. ZÜLAL ÖNER

  3. Kronik inflamatuvar demiyelinizan polinöropati (CIDP) hastalığının teşhisinde makine öğrenme algoritmaları kullanılarak karar destek sistemi oluşturma

    Developing a decision support system for the diagnosis of chronic inflammatory demyelinating polyneuropathy (CIDP) using machine learning algorithms

    HÜSEYİN AKBUDAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Biyomedikal Ana Bilim Dalı

    DOÇ. DR. MUHAMMET SERDAR BAŞÇIL

  4. Zatürre hastalığının tespiti için bir mühendislik yaklaşımı: Derin öğrenme tabanlı bir karar destek yazılımının geliştirilmesi

    An engineering approach for detection of pneumonia disease: Development of a deep learning based decision support software

    MUSTAFA OĞUZHAN ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu Üniversitesi

    Mühendislik Yönetimi Ana Bilim Dalı

    DOÇ. DR. KEMAL AKYOL

  5. Prediction of Covid-19 risk of a person by analyzing computed tomography images using convolutional neural networks

    Kişilerin Covid-19 riskinin bilgisayarlı tomografi görüntülerinin evrişimli sinir ağları kullanılarak tahminlenmesi

    KAAN TOPÇU

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYBAR CAN ACAR