Geri Dön

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

  1. Tez No: 872398
  2. Yazar: İBRAHİM KILIÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ NESİBE YALÇIN
  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: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

İnsanın yaşamını sağlıklı bir şekilde idame ettirebilmesi için yeterli ve dengeli beslenmesi oldukça önemlidir. Proteinler, insan vücudunun ihtiyaç duyduğu temel besin öğeleri içerisinde yer alır. Kaliteli protein kaynaklarından biri nohut bitkisidir. Bununla birlikte kuru ve sıcak koşullara dayanıklı olması, küresel ısınma (beraberinde iklim değişikliği) ve artan dünya nüfusu dikkate alındığında nohutun önemini daha da artırmaktadır. Bu tez çalışmasında, tohum seçimi problemine nohut bitkisi çerçevesinde odaklanılmış ve nohut çeşitlerinin yüksek başarımla sınıflandırılması için yapay zeka tabanlı karma yöntemler önerilmiştir. Söz konusu yöntemler, transfer öğrenme (transfer learning, TL) yaklaşımıyla üç ön eğitimli model (ResNet50, DenseNet201 ve EfficientNetB0) kullanılarak özellik çıkarımını, ReliefF algoritması ile en önemli özelliklerin seçimini ve makine öğrenmesi algoritmaları kullanılarak nohut tohumlarının çeşitlerine göre sınıflandırılmasını içermektedir. Sınıflandırma işlemi için Destek Vektör Makinesi (Support Vector Machine, SVM), K En Yakın Komşu, Naïve Bayes ve Doğrusal Diskriminant Analizi (Linear Discriminant Analysis, LDA) algoritmaları kullanılmış ve en başarılı karma yöntemler olan TL+SVM ve TL+LDA ile sırasıyla 0,944 ve 0,940 doğruluk elde edilmiştir. Hisar ve İnci, en az hata ile sınıflandırılan nohut çeşitleri olmuştur. Tez sonuçları, tarımda nohut sınıflandırma problemi için umut vericidir. Önerilen yöntemler, nohut sınıflandırma görevlerini otomatik gerçekleştirmek amacıyla akıllı telefon uygulamalarına ve bilgisayarlı görü sistemlerine entegre edilebilir.

Özet (Çeviri)

Adequate and balanced nutrition is very important for a person to sustain healthy life. Proteins are among the essential nutrients needed by the human body. In addition, it is resistant to dry and hot conditions. This further increases the importance of chickpeas when global warming (accompanied by climate change) and the expanding world population are taken into consideration. This thesis focuses on the chickpea seed classification problem and proposes high-performance artificial intelligence based hybrid methods. The methods include feature extraction using three pre-trained models (ResNet50, DenseNet201 and EfficientNetB0) with a transfer learning (TL) approach, selection of the most important features with the ReliefF algorithm, and classification of chickpea seeds according to their types using machine learning algorithms. Support Vector Machine (SVM), K Nearest Neighbor, Naïve Bayes, and Linear Discriminant Analysis (LDA) algorithms have been used for the classification process. TL+SVM and TL+LDA, which are the most successful hybrid methods in classifying chickpea varieties, have accuracy rates of 0.944 and 0.940, respectively. Hisar and İnci are the chickpea varieties classified with the minimum error rates. The results obtained within the scope of the thesis study are promising for the chickpea classification problem in agriculture. The proposed methods can be integrated into smartphone applications and computer vision systems to automatically perform chickpea classification tasks.

Benzer Tezler

  1. Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  2. Neural language modelling approaches for post-ocr text processing

    Optik karakter tanıma sonrası metin işleme adımı için sinirsel dil modelleri yaklaşımları

    AYŞE İREM TOPÇU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. Yapay zeka teknikleri kullanılarak mikro ifadelerin tespiti ve sınıflandırılması

    Detection and classification of microexpressions using artificial intelligence techniques

    MEHMET ZAHİT UZUN

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YÜKSEL ÇELİK

    DOÇ. DR. ERDAL BAŞARAN

  4. Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images

    Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı

    OZAN GÜLDALİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜL İNAN

  5. CNN-based server state monitoring and fault diagnosis using infrared thermography

    Kızılötesi termografi kullanarak CNN tabanlı sunucu durumu izleme ve arıza teşhisi

    BELTUS NKWAWİR WİYSOBUNRİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Bilim Dalı

    DR. ÖĞR. ÜYESİ HAMZA SALİH ERDEN

    PROF. DR. BEHÇET UĞUR TÖREYİN