Buğday çeşitlerinin yapay zeka yöntemleri kullanılarak sınıflandırılması
Classification of wheat varieties using artificial intelligence methods
- Tez No: 894251
- Danışmanlar: PROF. DR. ALPER TANER
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Tarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 127
Özet
Üretim ve işleme aşamasında çiftçilerin, sanayicilerin ve tüketicilerin standart oluşturabilmek için ürün çeşitlerini özel olarak bilmeleri gerekmektedir. Çeşitlerin manuel olarak tanımlanması zor ve tutarsız olup tamamen insan becerilerine bağlıdır. Bu sorunları çözmek için süreci otomasyona dönüştürecek yenilikçi teknolojiler ortaya çıkmıştır. Bu araştırmada, 124 ekmeklik buğday çeşidi kullanılmıştır. Bu çeşitlerin çoklu görünümleri alınarak 465.000 görüntüden oluşan bir veritabanı oluşturulmuştur. Çalışmada, makine öğrenmesi (Machine Learning, ML), derin öğrenme (Deep Learning, DL) ve Fourier Dönüşümlü Kızılötesi (Fourier Transform Infrared, FTIR) spektroskopisi olmak üzere üç uygulama gerçekleştirilmiştir. Her üç uygulamada da, sınıflandırma modellerinin geliştirilmesi, sınıflandırılacak çeşit sayısının artırılmasını, uygun özelliklerin çıkarılmasını, optimum özellik kombinasyonunun bulunmasını, modellerin eğitilmesini, ince ayar yapılmasını ve son olarak en iyi modellerin değerlendirilmesini içermektedir. Birinci uygulamada, ML yöntemleri kullanılarak yönlendirilmiş gradyan histogramı (Histogram of Oriented Gradient, HOG) ve renk özelliklerinin çıkarılması, makine öğrenme modellerinin eğitimi, geliştirilmesi ve test edilmesi ele alınmıştır. Bu çalışmada, buğday çeşitlerini sınıflandırmak için HOG ve renk özelliklerine dayalı Yapay Sinir Ağları (Artificial Neural Network, ANN), Destek Vektör Makineleri (Support Vector Machine, SVM), Random Forest Sınıflandırıcısı (Random Forest Classifier, RFC) ve K-En Yakın Komşu Algoritması (K-Nearest Neighbor, KNN) modelleri geliştirilmiştir. Temel Bileşen Analizi (Principal Component Analysis, PCA) ile eğitilen en iyi modellerin sınıflandırma performansları kabul edilebilir seviyede ANN ve SVM modelleri için sırasıyla %96.8 ve %98.1 elde edilmiştir. Sonuçlar, oldukça fazla sayıda çeşit olmasına rağmen, HOG ve renk özelliklerinin başarılı ML modelleri geliştirmek için kullanılabileceğini göstermektedir. İkinci uygulamada, DL yöntemleri kullanılarak yeni bir Evrişimsel Sinir Ağı (Convolutional Neural Network, CNN) modeli, DenseNet201, MobileNet ve InceptionV3 popüler mimarileri, öğrenme aktarımı (Transfer Learning) yoluyla eğitilmiş ve sırasıyla %95.40, %92.41, %90.54 ve %83.47 doğruluk elde edilmiştir. Önerilen CNN modeli, DenseNet201 ve MobileNet modelleri başarılı bulunmuştur. Çalışmada modellerin optimum parametrelerini elde etmek için daha fazla ince ayar yapılması ve diğer popüler CNN mimarilerinin araştırılması önerilebilir. Üçüncü uygulamada, FTIR ve ML modellerinin farklı spektral bölgelere göre uygulanması araştırılmıştır. FTIR spektrumları ve ML modellerinin entegrasyonuyla seçilen SVM modelinin elde ettiği %98.8'lik doğruluk, aynı zamanda ML modellerinin spektral temsillere dayalı dört buğday çeşidini tanıma yeteneğini ortaya koymuştur.
Özet (Çeviri)
At the production and processing stage, farmers, industrialists and consumers need to have specific knowledge of crop varieties in order to establish standards. Manual identification of varieties is difficult and inconsistent and entirely dependent on human skills. To solve these problems, innovative technologies have emerged to automate the process. In this research, 124 bread wheat varieties were used. Multiple-view images of these varieties were taken and an image database of 465,000 images was created. In this study, Machine Learning (ML), Deep Learning (DL) and Fourier Transform Infrared (FTIR) spectroscopy based three methods were used to develop classification models. In all three applications, the development of classification models involved increasing the number of varieties to be classified, extracting appropriate features, finding the optimal combination of features, training and fine-tuning the models, and finally evaluating the best models. First, extraction of histogram of oriented gradient (HOG) and color features, training, development and testing of ML models were performed. Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest Classifier (RF) and K-Nearest Neighbor Algorithm (KNN) models based on HOG and color features were developed to classify wheat varieties. The classification performances of the best models trained with Principal Component Analysis (PCA) were effective at 96.8% and 98.1% rates for ANN and SVM models, respectively. The results show that HOG and color features can be used to develop successful ML models, although there are quite a number of variants. Second, using DL methods, a new Convolutional Neural Network (CNN) model from scratch, and popular architectures DenseNet201, MobileNet and InceptionV3 were trained by transfer learning and achieved 95.40%, 92.41%, 90.54% and 83.47% classification accuracies, respectively. The proposed CNN model, along with the DenseNet201 and MobileNet models, has been found successful. Further fine-tuning and exploring other popular CNN architectures can be recommended to obtain the optimal parameters of the models in the study. Third, the application of FTIR and ML models with different spectral regions was investigated. The 98.8% accuracy achieved by the SVM model demonstrated the ability of ML models to recognize four wheat varieties based on spectral representations.
Benzer Tezler
- Bazı makarnalık buğday çeşitlerinde tanenin fiziksel özelliklerinin görüntü işleme tekniği ile belirlenmesi
Determination of physical properties of grain in some durum wheat varieties using image processing technique
AZİZ DOĞANAY
Yüksek Lisans
Türkçe
2019
BiyomühendislikKaramanoğlu Mehmetbey ÜniversitesiBiyomühendislik Ana Bilim Dalı
PROF. DR. NEVZAT AYDIN
- Ekmeklik ve makarnalık buğday tanelerinin yapay zeka teknikleri kullanılarak sınıflandırılması
Classification of bread and durum wheat kernels using artificial intelligence techniques
HAKAN ATÇEKEN
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KADİR SABANCI
- Kırik buğday çeşidi (Triticum aestivum var. delfii) ile yapay mutant genotiplerinin verim ve verim özellikleri yönünden karşılaştırılması
Comparison between kiri̇k wheat cultivar (Triticum aestivum var. delfii) and its artificial mutant genotypes in terms of yield and yield components
MEHMET REŞİT KARDAŞ
Yüksek Lisans
Türkçe
2018
ZiraatAtatürk ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. BİLAL DENİZ
- Ekmeklik kırik buğday çeşidi (Triticum aestivum Var. Delfii) ile yapay mutant genotiplerinin verim ve verim öğeleri yönünden karşılaştırılması
Comparison of Kirik bread wheat (Triticum aestivum Var. Delfii.) and its artificial mutant lines in terms of yield and some yield properties
MEHMET FATİH ATAMAN
Yüksek Lisans
Türkçe
2019
ZiraatAtatürk ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. BİLAL DENİZ
- Ekmeklik buğday genotiplerinin in vitro ve in vivo koşullarında kuraklığa dayanıklılık yönünden değerlendirilmesi
Evaluations for drought resistance of bread wheat genotypes in vitro and in vivo conditions
MELDA YALÇIN OKURSOY