Geri Dön

Nohut tohumlarının makine öğrenmesi yöntemleri ile sınıflandırılması

Classification of chickpea seeds using machine learningmethods

  1. Tez No: 857575
  2. Yazar: ÖMER FARUK SARI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ALİ YAŞAR
  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: 2024
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. 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

  1. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NESİBE YALÇIN

  2. 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

    Türkçe

    2016

    ZiraatÇanakkale Onsekiz Mart Üniversitesi

    Tarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HABİB KOCABIYIK

  3. 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

    Türkçe

    2010

    ZiraatEge Üniversitesi

    Tarım Makineleri Ana Bilim Dalı

    PROF. DR. ADNAN DEĞİRMENCİOĞLU

  4. Agrobacterium aracılığıyla nohut bitkisi (Cicer arietinum L.)'ne gen aktarımı

    Agrobacterium mediated transformation in chickpea (Cicer arietinum l.)

    RIDVAN TEMİZGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    BiyolojiErciyes Üniversitesi

    Biyoloji Ana Bilim Dalı

    Y.DOÇ.DR. MİKAİL AKBULUT

  5. 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

    Türkçe

    2021

    BiyolojiVan Yüzüncü Yıl Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER BİNGÖL