Nohut tohumlarının makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of chickpea seeds using machine learningmethods
- Tez No: 857575
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ YAŞAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 63
Özet
Tarım endüstrisinde, ürün verimini ve kalitesini artırmak için sürekli olarak yenilikçi yöntemler ve uygulamalar aranmaktadır. Bu çalışmada, Türkiye Cumhuriyeti Tarım ve Orman Bakanlığı Tarla Bitkileri Merkez Araştırma Enstitüsü'nden temin edilen ve tescilli nohut türlerinden Aydoğan, Atabay, Badim, Karlı, Tunç ve Göktürk olmak üzere altı farklı nohut tohumu çeşidinin sınıflandırma performansını çeşitli makine öğrenimi algoritmaları kullanarak araştırmayı amaçlamıştır. Çalışmada, nohut tohumlarına ait elde edilen özellikleri makine öğrenmesi yöntemlerinden Destek Vektör Makinesi, K-En Yakın Komşular, Karar Ağacı, Rastgele Orman ve Çok Katmanlı Algılayıcı sınıflandırıcı olarak kullanarak sınıflandırmaya odaklanmıştır. Önerilen metodoloji, geleneksel manuel tohum inceleme yöntemlerinin zorluklarına karşı daha verimli ve doğru bir alternatif sunmayı amaçlamaktadır. Sınıflandırma deneylerinin sonuçları tüm algoritmaların performansını ortaya koymuştur. En iyi sınıflandırma performansını %78.48'lik doğruluk oranı ile Çok Katmanlı Algılayıcı elde ederken onu %77.01luk bir doğruluk oranı ile Destek Vektör Makinesi takip etmiştir. Rastgele Orman, K-En Yakın Komşu ve Karar Ağacı sınıflandırıcıları sırasıyla %74.27, %72.88 ve %72.29 doğruluk oranlarına ulaşmıştır. Bu sonuçlar, nohut tohumlarını çeşitlerine göre doğru bir şekilde sınıflandırmada makine öğrenimi algoritmalarının etkinliğini göstermektedir. Ayrıca, çalışma nohut tohumu sınıflandırması için her bir algoritmanın güçlü ve zayıf yönleri hakkında bilgi sağlamıştır. Destek Vektör Makinesi, özellikle özellikler arasındaki karmaşık ve doğrusal olmayan ilişkilerin ele alınmasında güçlü bir performans göstermiştir. Sinir Ağı mimarisine sahip Çok Katmanlı Algılayıcı, daha fazla hesaplama kaynağı gerektirmesine rağmen güçlü sınıflandırma yetenekleri sergilemiştir. K-En Yakın Komşular, basit ve sezgisel olmakla birlikte rekabetçi bir performans sergilemiş ancak komşu sayısı gibi parametrelerin seçimine duyarlı olmuştur. Topluluk yöntemleri olarak Karar Ağacı ve Rastgele Orman, iyi doğruluk ve yorumlana bilirlik sunarak yapılandırılmış verilerle sınıflandırma görevleri için uygun seçenekler haline gelmiştir. Genel olarak, bu tezin bulguları, farklı nohut çeşitlerini doğru bir şekilde ayırt etmede makine öğrenimi algoritmalarının etkinliğini göstererek nohut tohumu sınıflandırma araştırmalarının ilerlemesine katkıda bulunmaktadır. Bu içgörüler, nohut yetiştiriciliğinde tohum kalitesi değerlendirmesini, çeşit tanımlamasını ve ıslah programı optimizasyonunu kolaylaştırarak tarım sektörü için pratik çıkarımlara sahiptir. Gelecekteki araştırma yönleri, ek özelliklerin keşfedilmesini, parametrelerin optimize edilmesini ve sınıflandırma modellerinin daha büyük veri kümelerine ve çeşitli çevresel koşullara ölçeklenebilirliğinin araştırılmasını içerebilir.
Özet (Çeviri)
In agriculture, innovative methods and practises are constantly being sought to improve crop yields and quality. This study aims to investigate the classification performance of six different chickpea seed varieties, namely Aydoğan, Atabay, Badim, Karlı, Tunç and Göktürk, obtained from the Central Research Institute of Field Crops of the Ministry of Agriculture and Forestry of the Republic of Turkey, using different machine learning algorithms. The study focuses on the classification of chickpea seeds using Support Vector Machine, K-Nearest Neighbours, Decision Tree, Random Forest and Multilayer Perceptron as machine learning methods. The proposed methodology aims to provide a more efficient and accurate alternative to the difficulties of traditional manual seed inspection. The results of the classification experiments show the performance of all algorithms. The best classification performance was achieved by Multilayer Perceptron with an accuracy of 78.48%, followed by Support Vector Machine with an accuracy of 77.01%. The Random Forest, K-Nearest Neighbour and Decision Tree classifiers achieved an accuracy of 74.27%, 72.88% and 72.29% respectively. These results demonstrate the effectiveness of machine learning algorithms in accurately classifying chickpea seeds according to their varieties. In addition, the study provided information on the strengths and weaknesses of each algorithm for classifying chickpea seeds. The Support Vector Machine showed strong performance, especially in handling complex and non-linear relationships between features. The multilayer perceptron with neural network architecture showed strong classification capabilities, although it requires more computational resources. K-Nearest Neighbours, although simple and intuitive, showed competitive performance but was sensitive to the choice of parameters such as the number of neighbours. As ensemble methods, Decision Tree and Random Forest offered good accuracy and interpretability, making them suitable for classification tasks with structured data. Overall, the results of this thesis contribute to advancing research on chickpea seed classification by demonstrating the effectiveness of machine learning algorithms in accurately distinguishing different chickpea varieties. These findings have practical implications for the agricultural sector as they facilitate seed quality assessment, variety identification and optimisation of breeding programmes in chickpea breeding. Future research directions could include exploring further traits, optimising parameters and investigating the scalability of classification models to larger data sets and different environmental conditions.
Benzer Tezler
- Transfer öğrenme, özellik seçimi ve makine öğrenmesi yöntemlerine dayalı karma bir yaklaşım ile nohut tohumu çeşitlerinin çoklu sınıflandırılması
Multiple classification of chickpea seed varieties with a hybrid approach based on transfer learning, feature selection, and machine learning methods
İBRAHİM KILIÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESİBE YALÇIN
- Tek dane ekim makinesinde ilerleme hızı ve sıra üzeri mesafenin ekim performansı üzerine etkileri
Effects of ground speed and seed spacing on seeding performance of precision planter
MYAGMARSUREN KHURELBAATAR
Yüksek Lisans
Türkçe
2016
ZiraatÇanakkale Onsekiz Mart ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HABİB KOCABIYIK
- Vakumlu tek dane ekimde optimizasyon ve makina performansının matematiksel modellemesi
Optimization of the precision seeding and mathematical modeling of the machine performance
ARZU YAZGI
Doktora
Türkçe
2010
ZiraatEge ÜniversitesiTarım Makineleri Ana Bilim Dalı
PROF. DR. ADNAN DEĞİRMENCİOĞLU
- Agrobacterium aracılığıyla nohut bitkisi (Cicer arietinum L.)'ne gen aktarımı
Agrobacterium mediated transformation in chickpea (Cicer arietinum l.)
RIDVAN TEMİZGÜL
- Statik manyetik alanın nohut (Cicer arietinum L.) ve ayçiçeği (Helianthus annuus L.) tohumları üzerine etkilerinin araştırılması
Investigation of the effects of static magnetic field on chickpea (Cicer arietinum L.) and sunflower (Helianthus annuus L.) seeds
SİBEL GÜDÜRÜ
Yüksek Lisans
Türkçe
2021
BiyolojiVan Yüzüncü Yıl ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER BİNGÖL