Derin öğrenme yöntemleri ile mantarların sınıflandırılması
Mushrooms classification with deep learning methods
- Tez No: 859508
- Danışmanlar: PROF. DR. RECEP ERYİĞİT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Evrişimli sinir ağları, Görüntü işleme, Sınıflandırma, Deep learning, Convolutional neural networks, Image processing, Classification
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mantarlar, insanlar için çok yönlü bir yiyecektir. Birçok mantar türü, besin değeri yüksek protein, lif, mineraller ve vitaminler içerir. Mantarlar ayrıca, bazı kanser türlerine karşı koruyucu etki gösterebilir bağışıklık sistemini destekleyebilir ve stresi azaltıcı etki gösterebilir. Bunun yanı sıra zehirli mantarlar, insanlar ve diğer hayvanlar için zararlı olabilirler. Zehirli mantarların zehirlenme belirtileri, vücutta bulunan sistemleri etkileyerek ciddi rahatsızlıklara hatta ölümlere sebep olabilir. Bu nedenle, zehirli mantarların ne olduğunu tanımak ve onları tespit etmek önemlidir. Zehirli mantarların sebep olduğu zehirlenmelerin önlenmesi için, onları tanıyarak onlardan uzak durulması ve doğal ortamlarında mantar toplamaya dikkat edilmesi önerilir. CNN (Convolutional Neural Network) modelleri, görüntü ve video formatındaki yapılarda gösterdiği başarı sebebiyle görüntü sınıflandırma gibi görüntü işleme uygulamalarında çok popülerdir. Bu modeller, görüntü verilerini işlemek için tasarlanmış olan karmaşık bir yapıya sahiptir. Çalışmada öne çıkan CNN modelleri kullanılarak oluşturulan mantar görüntülerinin sınıflandırılmasında en iyi yöntemin ortaya çıkarılması ve bu çalışmanın farmakoloji alanına, doğadan mantar toplayan mantar avcılarına faydalı olması ve zehirli mantar yüzünden hastalanma riski olan insan sayısının azaltılması amaçlanmıştır. Mantar verileri bir biyoloji çeşitliliği gözlemini haritalama ve paylaşma konsepti üzerine inşa edilen ve doğa bilimcilerinin biyologların çevrimiçi sosyal ağından toplanmıştır. Veri setinde 3 farklı yenilebilir mantar sınıfı ve 1 farklı zehirli mantar sınıfı bulunmaktadır. Toplam veri örneği sayısı sırasıyla 3.970 ve 1.500'dür.Model performansını değerlendirmek için performans değerlendirme ölçütleri, karmaşıklık matrisi ve Grand-CAM (Gradient-weighted Class Activation Mapping) kullanılmıştır. Buna göre MobileNetV2 modelinin kullanılmasıyla ağırlıklı ortalama puanı yüzde 97 olarak elde edilmiştir. Sonuçlar, bu çalışmanın farmakoloji alanına, mantar avcılarına ve insan sağlığına faydalı olacağını söylemek için cesaret verici olarak görülmektedir.
Özet (Çeviri)
Mushrooms are a versatile food for humans. Many types of mushrooms contain nutrient- dense protein, fiber, minerals and vitamins. Mushrooms can also protect against some types of cancer, support the immune system and reduce stress. However, poisonous mushrooms can be harmful to humans and other animals. Symptoms of poisonous mushroom poisoning can affect the body's systems and cause serious illness or even death. It is therefore important to recognize what poisonous mushrooms are and to identify them. In order to prevent poisoning caused by poisonous mushrooms, it is recommended to recognize and avoid them and to be careful to collect mushrooms in their natural habitat. CNN (Convolutional Neural Network) models are very popular in image processing applications such as image classification due to their success in image and video formats. These models have a complex structure designed to process image data. The aim of this study is to reveal the best method for classifying mushroom images generated using prominent CNN models and to benefit the field of pharmacology, mushroom hunters who collect mushrooms from nature and to reduce the number of people at risk of getting sick from poisonous mushrooms. The mushroom data were collected from an online social network of naturalists and biologists built on the concept of mapping and sharing observations of biodiversity. The dataset includes 3 different edible mushroom classes and 1 different poisonous mushroom class. The total number of data samples is 3,970 and 1,500 respectively. Performance evaluation metrics, complexity matrix and Grand-CAM (Gradient-weighted Class Activation Mapping) were used to evaluate the model performance. Accordingly, a weighted average score of 97 percent was obtained using the MobileNetV2 model. The results are seen as encouraging to say that this study will be beneficial to the field of pharmacology, mushroom hunters and human health.
Benzer Tezler
- Gastroid mantar türlerinin makroskobik ve mikroskobik görüntülerikullanılarak yapay zeka destekli sınıflandırma modelinin geliştirilmesi
Development of an artificial intelligence-based classification model using macroscopic and microscopic images of gastroid fungi
EDA KUMRU
Yüksek Lisans
Türkçe
2026
BiyolojiAnkara ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. ILGAZ AKATA
DOÇ. DR. FATİH EKİNCİ
- Derin öğrenme yöntemleri ile bilgisayar ağlarında güvenliğe yönelik anormallik tespiti
Deep learning based network anomaly detection
RÜSTEM CAN AYGÜN
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ GÖKHAN YAVUZ
- Derin öğrenme yöntemleri ile göğüs kanseri teşhisi
Breast canser diagnosis using deep learning methods
ALI MAHMOOD OGUR ANWER
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTürk Hava Kurumu ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TANSEL DÖKEROĞLU
- Derin öğrenme yöntemleri ile duygu analizi ve aktivasyon fonksiyonlarının karşılaştırılması
Sentiment analysis with deep learning methods and comparison of activation functions
MUHAMMED AHMET DEMİRTAŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TOLGA AYDIN
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE