Comparitive analysis of CNN algorithms for mushroom classification with proposed lightweight model
CNN algoritmalarının mantar sınıflandırmada önerilen hafif CNN modeli ile karşılaştırmalı analizi
- Tez No: 883955
- Danışmanlar: DR. ÖĞR. ÜYESİ DİDEM ÖLÇER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü sınıflandırma, Deep learning, Image classification
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mantar türlerinin sınıflandırılması, ekolojik ve sağlıkla ilgili konularda önemli zorluklar ortaya koymaktadır; güvenilir tanımlamalar elde etmek için sınıflandırma tekniklerinde ilerleme kaydedilmesi gerekmektedir. Bu yüksek lisans tezi, mantar sınıflandırma görevi için özel olarak tasarlanmış yeni, hafif bir evrişimsel sinir ağının geliştirilmesi üzere tasarlanan ve değerlendirilen bir metodolojiyi açıklamayı amaçlamaktadır. Bu çalışma, gerçek zamanlı kullanıma uygun, hesaplama açısından uygun maliyetli ve yüksek hassasiyetli sınıflandırma yapabilen özel bir evrişimsel sinir ağı modeli sunmaktadır. Bu nedenle, önerilen modeli, geleneksel sınıflandırıcılar ve EfficientNet-B7, ResNet-50, InceptionV3 ve MobileNetV2 gibi son teknoloji evrişimsel sinir ağı mimarileri ile birlikte mantar görüntülerinden oluşan bir veri kümesi üzerinde değerlendiriyoruz. Özel modelin, hesaplama karmaşıklığını azaltırken modelin etkinliğinden ve yeteneğinden ödün vermeyecek şekilde tasarlanmasına özen gösterilmiştir. Bu yaklaşım, modelin düşük hesaplama kaynaklarına sahip platformlarda bile etkili bir şekilde çalışmasına yardımcı olur. Kapsamlı bir değerlendirme, tasarlanan evrişimsel sinir ağının yalnızca mevcut modellere kıyasla farklı mantar türlerinin tanımlanmasında makul bir doğruluğa sahip olduğunu değil, aynı zamanda sınıflandırma sürecini de önemli ölçüde hafiflettiğini ortaya koyacaktır. Bu çalışma, modelin farklı ve görülmemiş mantar türlerini sınıflandırabilmesi için aşırı öğrenme sorununu hafifletmek amacıyla gelişmiş düzenlileştirme tekniklerini entegre ederek modelin sağlamlığını daha da güçlendirmektedir. Son olarak, tezde görüntü arka planlarının çeşitliliğinin ve aydınlatma koşullarının değişkenliğinin veri kümelerinde model performansını etkilediği bilinen özellikler olduğu vurgulanmaktadır. Bu sonuçlar, başarılı bir makine öğrenimi modelinin eğitilmesinde iyi hazırlanmış bir veri kümesinin önemine ışık tutmakta ve modelin sağlamlığını artırmak amacıyla veri kümesi zenginleştirilmesine ilişkin stratejiler çizmektedir. Sonuç olarak, bu çalışma mantar sınıflandırması için güvenilir, verimli ve erişilebilir bir araç sağlayarak mikoloji alanına katkıda bulunmaktadır. Ayrıca, gerçek zamanlı ve yerinde biyolojik sınıflandırma görevleri için hafif karmaşıklığa sahip sinir ağlarının uygulanmasına yönelik gelecekteki araştırmalar için bir emsal oluşturmakta; ekoloji ve halk sağlığı alanlarında yapay zekâ odaklı tanımlama sistemlerinin daha geniş bir şekilde benimsenmesini teşvik etmektedir.
Özet (Çeviri)
The classification of mushroom species presents significant ecologic and health-related challenges; advancement in classification techniques is required to gain reliable identifications. This master's thesis aims to explain a methodology that was devised and evaluated in the development of a novel, lightweight convolutional neural network designed specifically for the task of mushroom classification. The study provides a custom convolutional neural network model computationally cost-effective and capable of high-precision classification, fit for real-time usage. Hence, we evaluate the proposed model on this dataset of curated mushroom images with traditional classifiers and state-of-the-art convolutional neural network architectures, such as EfficientNet-B7, ResNet-50, InceptionV3, and MobileNetV2. The custom model is depth-wise separations engineered in such a way that while they reduce the computational load, they don't compromise the effectiveness of the model. This approach helps the model function effectively even on platforms having low computational resources. A comprehensive evaluation would reveal that a custom convolutional neural network has reasonable accuracy not only in the identification of different mushroom species vis-à-vis existing models but has significantly lightened the classification process as well. This study further strengthens the robustness of the model by integrating advanced regularization techniques to mitigate the problem of overfitting so that the model classifies across different and unseen mushroom species. Finally, it is highlighted in the thesis that the diversity of image backgrounds and variability of lighting conditions are characteristics known to affect model performance in datasets. These results shed light on the importance of a well-prepared dataset in training a successful machine learning model and draw strategies regarding dataset augmentation to lead to improved robustness of the model. In conclusion, this work contributes to the field of mycology by providing a reliable, efficient, and accessible tool for mushroom classification. It also sets a precedent for future research into the application of lightweight neural networks for real-time and on-site biological classification tasks, promoting broader adoption of artificial intelligence driven identification systems in ecological and public health domains.
Benzer Tezler
- Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products
Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi
NAHİT ÇATMADIM
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN
- Yapılandırılmış sağlık verilerinde diyabet teşhisi için derin öğrenme ve klasik makine öğrenmesi yöntemlerinin karşılaştırmalı analizi: Açıklanabilir bir yaklaşım
Comparative analysis of deep learning and classical machine learning methods for diabetes diagnosis in structured health data: An explainable approach
İSMAİL ÇELEBİ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiKilis 7 Aralık ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN GÜLER
- Yüksek gerilim enerji iletim hatlarında arıza tespiti ve tahmini: klasik ve yapay zeka tabanlı veri analitiği yöntemlerinin karşılaştırmalı analizi
Comparative analysis of traditional and artificial intelligence-based data analytics methods for fault detection and prediction in high voltage power transmission lines
ŞEYDA UYANIK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN DEMİREL
- A comparative study of deep learning approaches for autonomous vehicle control
Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması
EMRE ŞAHİN
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN