Plant image classification using convolutional neural networks
Konvolüsiyonel sinir ağları kullanarak bitki görüntüsü sınıflandırması
- Tez No: 938575
- Danışmanlar: PROF. DR. ALİ OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bitkiler, tıp, vücut, saç ve cilt bakım ürünlerinde kullanılan, insanlar için önemli bir besin kaynağıdır. Flora, temel oksijeni sağlayarak çevresel dengeyi korur. Bitkiler, bireysel sağlık ve küresel ekonomi üzerinde doğrudan etkilere sahiptir. Bu nedenle, bu zenginliği yönetmek ve ona bakmak için tüm araçları geliştirmek esastır. Aslında, tarım sektörünü geliştirmede yapay zeka (AI) tekniklerini kullanmaya yönelik birçok girişim vardır. Bu tez, bitkileri parçalarının görüntülerine bağlı olarak sınıflandırmak için Evrişimsel Sinir Ağları (CNN) tekniklerini kullanır. Bu çalışma, sıfırdan oluşturulmuş bir CNN modelini, önceden eğitilmiş CNN modelleri ResNet50V2 ve MobileNetV2 ile karşılaştırır. Bu çalışma, kullanımda olan 4 veri kümesi arasında dağıtılmış yaklaşık yarım milyon görüntü ile 647 farklı bitki türünün sınıflandırılmasını araştırır. Bu araştırma, ResNet50V2 önceden eğitilmiş modelinin MobileNetV2 modelinden daha iyi performansa sahip olduğunu ortaya koymaktadır. Ancak, hem önceden eğitilmiş ResNet50V2 hem de MobileNetV2 modellerinin performansı, derin öğrenme modellerinde transfer öğrenme teknolojisinin önemini ortaya koyan sıfırdan oluşturulmuş CNN modelinin performansından çok daha üstündür. Bu modellerden yararlanma girişimi olarak, küçük bir Streamlit web uygulaması geliştirildi. Bu uygulama, kullanıcıların bir bitki yaprağı, çiçeği veya meyvesinin resmini yüklemesini sağlar, ardından uygulama, bitki türünü tespit etmek ve kullanıcıya bitki adı, nasıl bakılacağı, yetiştirme yöntemleri ve daha fazlası gibi değerli bilgiler sağlamak için CNN önceden eğitilmiş modeli ResNet50V2'yi kullanır. Böyle bir uygulama, çiftçilerin bitki türlerini doğru bir şekilde tanımlamasını ve bakımları hakkında yeterli bilgi almasını sağlayarak tarımsal uygulamaları ve çevre yönetimini iyileştirir. Böyle bir modelin varlığı, geleceğe yönelik ufuklar açar ve gelecekte dünyanın dört bir yanındaki tarımsal sistemlerde yaygın olarak kullanılabilecek birçok uygulama veya cihazın geliştirilmesi için temel oluşturur.
Özet (Çeviri)
Plants are a major food source for humans, used in medicine, body, hair, and skin care products. Flora maintains the environmental balance by providing essential oxygen. Plants have direct impacts on individual health, and the global economy. Therefore, it is essential to develop all means to manage and care for this wealth. In fact, there are many attempts to use artificial intelligence (AI) techniques in developing the agricultural sector. This thesis uses Convolutional Neural Networks (CNN) techniques to classify plants depending on images of their parts. This study compares a scratch-built CNN model with pre-trained CNN models ResNet50V2 and MobileNetV2. This study explores classification of 647 different plant species with about a half million images distributed among the 4 datasets in use. This research reveals that ResNet50V2 pre-trained model has better performance than the MobileNetV2 model. However, the performance of both pre-trained models ResNet50V2 and MobileNetV2 is far superior to that of the scratch-built CNN model, which introduced the importance of transfer learning technology in deep learning models. As an attempt to take advantage of these models, a small Streamlit web application was developed. This application enables users to upload a picture of a plant leaf, flower, or fruit then the application uses CNN pre-trained model ResNet50V2 to detect the plant type and provide the user with valuable information such as: plant name, how to take care of it, methods of growing it, and more. Such an application would enable farmers to identify plant species accurately and receive sufficient information on their care, thus improving agricultural practices and environmental management. The existence of such a model opens future horizons and lays the foundation for the development of many applications or devices that could be used extensively in agricultural systems around the world in the future.
Benzer Tezler
- Kayısı yapraklarının evrişimsel sinir ağları kullanılarak sınıflandırılması
Classification of apricot leafs via convolutional neural network
BERNA ARI
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Derin öğrenme yöntemi ile köpek davranışlarının analizi ve sınıflandırılması
Analysis and classification of dog behaviours using deep learning
RUKİYE POLATTİMUR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE DANDIL
- Histopatolojik görüntülerin makine öğrenmesi yöntemleri ile analizi
Analysis of histopathological images via machine learning methods
ABDÜLKADİR ALBAYRAK
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Feature detection and classification of pistachio by using image processing
Görüntü işleme teknikleri kullanılarak Antep fıstığının özellik tespiti ve sınıflandırılması
MARWA KHALEEL RASHID
Yüksek Lisans
İngilizce
2019
Makine MühendisliğiGaziantep ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ KILIÇ
PROF. DR. SADETTİN KAPUCU
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Scorenet: Derin kaskat skor seviyesi füzyonu ile kısıtlanmamış görüntüler üzerinden kulak tanıma
Scorenet: Unconstrained ear recognition with deep cascade score level fusion
ÜMİT KAÇAR
Doktora
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI