Bilgisayarlı görü ve derin öğrenme yöntemleri ile balon balığı tespiti
Pufferfish detection with computer vision and deep learning methods
- Tez No: 855763
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜRAY TONGUÇ
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Lagocephalus sceleratus olarak bilinen balon balıklarını tespit eden nesne tespiti modelinin eğitimi üzerine odaklanmaktadır. Lagocephalus sceleratus gibi zararlı türler, ekonomik kayıplara ve insan sağlığına yönelik tehditlere yol açmaktadır. Bu balık türü, doğal avcısı olmayan, geniş alanlarda yayılan ve zehirli olmasıyla bilinen bir türdür. Çalışma, bilgisayarlı görü ve derin öğrenme tekniklerini kullanarak balon balığı tespiti konusunda bir modelin eğitilmesi amacı taşımaktadır. Yapılan literatür incelemeleri ve mevcut teknoloji dikkate alındığında, en güncel You Only Look Once (YOLO) algoritmaları üzerine odaklanarak bu tür balıkların otomatik olarak tespit edilmesini hedeflemektedir. Elde edilen veriler, Akdeniz'deki dalış okullarından ve dalış eğitmenlerinden sağlanmıştır. Videolardan elde edilen fotoğraf kareleri YOLO formatında kullanılmak üzere uygun şekilde etiketlenmiş ve 2473 görselden oluşan veri seti hazırlanmıştır. Bu verilerle YOLOv8 derin öğrenme modelleri eğitilmiş eğitilen modellerle denemeler yapılmıştır. YOLOv8 sürümü, en güncel YOLO sürümü olup önceki sürümlerin başarımı geçmeyi hedeflemektedir. Çalışma kapsamında YOLO derin öğrenme modelinin v8 ve v5 sürümleri eğitilerek denemeler tamamlanmış ve en iyi başarım YOLOv8m sürümü ile ortalama hassasiyet %96,90 olarak elde edilmiştir. Eğitimlerde balon balıklarının kafa kısmından ve yan açılardan daha iyi tespit edilebildiği gözlenmiştir. Bu, modelin balon balığının göz ve çevresini yakalamaya çalıştığı ve balığın şeklini yan açıdan tespit edebildiği gerçeğinden kaynaklanmaktadır. Manuel etiketleme sürecindeki zorluklar nedeniyle balıkların kuyruk ve yüzgeçleri tam olarak dikkate alınmamış, bu da modelin odaklanmasını etkilemiştir. Ayrıca, farklı ışık ve ortam koşullarındaki balıkların farklı açılardan seçilen görselleri, modelin genelleme yeteneğini artırmıştır. Bu model, balon balığı probleminin çözümüne daha etkili ve sürdürülebilir bir yaklaşım sunarak gelecekte yapılacak çalışmalara temel oluşturabilir.
Özet (Çeviri)
This thesis focuses on the training of an object detection model aimed at identifying pufferfish known as Lagocephalus sceleratus. Harmful species like Lagocephalus sceleratus pose threats to economic losses and human health. This type of fish is a species known for being non-native, widely distributed, and poisonous, lacking natural predators. The study aims to train a model for pufferfish detection using computer vision and deep learning techniques. Considering the existing literature and technology, the research focuses on the most recent You Only Look Once (YOLO) algorithms to automatically detect such fish. The data obtained were sourced from diving schools and instructors in the Mediterranean. Frames extracted from videos were appropriately labeled in YOLO format, resulting in a dataset comprising 2473 images. YOLOv8, the latest version of YOLO, deep learning models were trained with this dataset, and experiments were conducted using the trained models. During the training, it was observed that pufferfish could be better detected from their heads and side angles. This stems from the fact that the model attempts to capture the fish's eyes and surroundings and can identify the fish's shape from a side angle. Due to challenges in the manual labeling process, the tails and fins of the fish were not fully considered, affecting the model's focus. Additionally, using images of fish taken from different angles and lighting conditions enhanced the model's generalization capability. This model presents a more effective and sustainable approach to solving the pufferfish problem, laying the foundation for future research endeavors.
Benzer Tezler
- Topluluk ve derin öğrenme yöntemleri ile renk ön işlemesine dayalı meyve sınıflandırma
Fruit classification based on color preprocessing with deep learnining and ensemble learning methods
ESMA İBİŞ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Uzaktan algılama ve derin öğrenme yöntemleri ile İstanbul'un yerel iklim alanları ve yer yüzeyi sıcaklığı değişimleri arasındaki ilişkinin incelenmesi
Investigation of the relationship between local climate zones and land surface temperature changes in İstanbul using remote sensing and deep learning methods
MELİKE NİCANCI SİNANOĞLU
Yüksek Lisans
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Derin öğrenme yöntemleri ile uydu görüntülerinden gemilerin tespiti ve sınıflandırılması
Detection and classification of ships from satellite images using deep learning methods
MEHMET SAMİ TÜRKER
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- Derin öğrenme yöntemleri ile metalik yüzeylerde kusur tespiti ve sınıflandırılması
Defect detection and classification on metallic surfaces using deep learning methods
FEYZA SELAMET
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR
- Maymun çiçeği hastalığının derin öğrenme teknikleri ile tespiti ve sınıflandırılması
Detection and classification of mpox disease using deep learning techniques
HİLAL GÜVEN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET SAYGILI