Fındık meyve çeşitlerinin derin öğrenme metodu kullanılarak sınıflandırılması
Classification of hazelnut fruit varieties using deep learning method
- Tez No: 934708
- Danışmanlar: DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü işleme, Deep learning, Image processing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Amasya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Teknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Fındık, Corylaceae (gürgengiller) familyasına ait bir kabuklu yemiş türü olup, dünya genelinde özellikle Türkiye'de yoğun olarak yetiştirilmektedir. Türkiye, Karadeniz Bölgesi'nde yer alan illeriyle, fındık üretiminde önde gelen bir merkez konumundadır ve dünya çapında önemli bir ihracatçı rolü üstlenmektedir. Fındık, protein, yağ, lif, vitamin ve mineral yönünden zengin bir besin kaynağı olup, geniş bir kullanım yelpazesine sahiptir. Bu çalışmada, Türkiye'de yaygın olarak yetiştirilen fındık türlerinden sekiz tanesi ön eğitimli ağlar kullanılarak sınıflandırması amaçlanmaktadır. Çalışma kapsamında bilgisayarlı görü sistemi aracılığıyla fındık çeşitlerinin görüntüleri elde edilmiştir. Oluşturduğumuz veri setinde 150 palaz, 320 dağ, 380 Foşa, 230 tombul, 380 hanımeli, 320 çakıldak, 420 kara fındık, 390 sivri, toplam 2590 adet görüntü bulunmaktadır. Bu görüntüler ön eğitimli (pretrained) modeller, DenseNet121, Inception v3, NasNet, EfficeNet, AlexNet ve Xception ile fındık görüntüleri sınıflandırılmıştır. Veri kümesi %80 eğitim ve %20 test olmak üzere bölümlere ayrılmıştır. Yapılan sınıflandırmalar sonucunda; sırasıyla %95,17, %93,44, %80,07, %81,17, %79,73 ve %83,20 sınıflandırma başarısı elde edilmiştir. En yüksek sınıflandırma başarısı DenseNet121 modeli ile elde edilmiştir. Çeşitli karışıklık matrisleri ve performans ölçümleri modellerin performanslarını daha detaylı analiz etmek için kullanılmıştır. İkinci aşamada veri artırımı teknikleri kullanılarak görüntüler çoğaltılmış ve yeniden sınıflandırma işlemine tabi tutulmuştur. Çoğaltılmış verilere uygulanan ön eğitimli (pre-trained) modeller sırasıyla şunlardır; Densenet121, AlexNet, NasNet, Xception, Inception V3, VGG16, EfficeNet ve VGG-19. Bu derin öğrenme metotları eğitim başarı oranları sırasıyla şunlardır; %97,5, %91,16, %81,61, %82,77, %95,45, %92,95, %78,66, %82,95. Veri artırma işleminin sonucunda bazı modellerde sınıflandırma başarısı artmış bazılarında artmamıştır. Elde edilen sonuçlar tezin ilgili bölümünde detaylı olarak verilmiştir.
Özet (Çeviri)
Hazelnut is a type of nut that belongs to the Corylaceae family and is grown intensively worldwide, especially in Turkey. Turkey, with its provinces located in the Black Sea Region, is a leading center in hazelnut production and plays a significant export role worldwide. The examination of acres of hazelnut gardens by experts requires long periods of time and leads to high costs. In this study, it is aimed to classify eight of the hazelnut species commonly grown in Turkey using pre-trained networks. Within the scope of the study, images of hazelnut varieties were obtained through a computer vision system. The dataset we created includes 150 palaz, 320 mountain, 380 Foşa, 230 tombul, 380 honeysuckle, 320 çakdak, 420 black hazelnut, 390 spike, a total of 2590 images. These images were classified as hazelnut images with pre-trained models, DenseNet121, Inception v3, NasNet, EfficeNet, AlexNet and Xception. The dataset was divided into 80% training and 20% test sections. As a result of the classifications; 95,17%, 93,44%, 80,07%, 81,17%, 79,73% and 83.20% classification success was obtained, respectively. The highest classification success was obtained with the DenseNet121 model. Various confusion matrices and performance measurements were used to analyze the performances of the models in more detail. In the second stage, the images were multiplied using data augmentation techniques and subjected to re-classification. Pre-trained models applied to replicated data are; Densenet121, AlexNet, NasNet, Xception, Inception V3, VGG16, EfficeNet and VGG-19, respectively. The training success rates of these deep learning methods are; 97,5%, 91,16%, 81,61%, 82,77%, 95,45%, 92,95%, 78,66%, 82,95%. As a result of the data augmentation process, the classification success increased in some models and did not increase in others. The results obtained are given in detail in the relevant section of the thesis.
Benzer Tezler
- Toz kakaoda tağşiş saptama metodları üzerinde çalışmalar
Başlık çevirisi yok
TOMRİS ALTUĞ
Doktora
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MERAL GÖNÜL
- Giyardiyazın tanısı ve giardia intestinalis (lambl, 1859) Alexief, 1914 üzerine çalışmalar
Investigations about diagnosis of giardiasis and G. intestinalis
MUSTAFA YILMAZ
Doktora
Türkçe
1985
MikrobiyolojiCumhuriyet ÜniversitesiMikrobiyoloji Ana Bilim Dalı
DOÇ.DR. GÜLDANE SAYGI
- Tokat bölgesi folklorik giysileri
Başlık çevirisi yok
ESEN ÇAĞLAYAN
Yüksek Lisans
Türkçe
1987
Halk Bilimi (Folklor)Gazi ÜniversitesiGiyim Endüstrisi ve Giyim Sanatları Ana Bilim Dalı
PROF. DR. FİRDEVS KAYA
- Chernobyl nükleer reaktör kazasının çay üzerine etkisi
Başlık çevirisi yok
B.LEVENT SİPAHİ
Yüksek Lisans
Türkçe
1988
Çevre MühendisliğiKaradeniz Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. ADİL GEDİKOĞLU
- Bölge şartlarına uygun fındık harmanlama makinalarının tasarımı ve imalatı
The Design and construction of hazelnut husking machines suitable to regional conditions
SAMİ SEFER DURMUŞOĞLU
Yüksek Lisans
Türkçe
1988
Makine MühendisliğiKaradeniz Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ATİLLA BOZACI