Derin öğrenme modelleri ile beş farklı ceviz cinsinin sınıflandırılması
Classification of five different varieties of walnut with deep learning models
- Tez No: 952085
- Danışmanlar: DR. ÖĞR. ÜYESİ MÜRSEL ÖNDER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 91
Özet
Ceviz, hem besin değeri hem de ekonomik getirisi bakımından önemli bir tarım ürünüdür. Türkiye, ceviz üretiminde dünyanın önde gelen ülkeleri arasında yer almakta ve farklı morfolojik özelliklere sahip birçok yerli ve yabancı ceviz cinsi yetiştirilmektedir. Ancak bu çeşitliliğin doğru şekilde sınıflandırılması, üretici seçimleri, verimlilik ve kalite kontrolü açısından kritik öneme sahiptir. Geleneksel sınıflandırma yöntemleri büyük ölçüde uzman görüşüne dayalıdır ve insan hatasına açıktır. Bu nedenle, ceviz sınıflandırmasının otomatik sistemler aracılığıyla gerçekleştirilmesi, tarımsal üretim süreçlerinde doğruluk, hız ve verimlilik sağlamaktadır. Son yıllarda, derin öğrenme tabanlı yaklaşımlar bu alanda önemli fırsatlar sunmakta ve geleneksel yöntemlere alternatif olarak öne çıkmaktadır. Bu tez çalışması, farklı ceviz cinslerinin görüntü işleme teknikleri ile desteklenen derin öğrenme modelleri aracılığıyla sınıflandırılmasını amaçlamaktadır. Çalışma kapsamında, Tokat ili Niksar ilçesi Sorhun Köyü'ndeki yerel üreticilerden temin edilen beş farklı ceviz cinsine ait örneklerle özgün bir görüntü veri seti oluşturulmuştur. Bu veri seti, cevizlerin özel olarak geliştirilen bir düzenekle hem yatayda hem de dikeyde 5° aralıklarla döndürülmesiyle her bir ceviz için toplam 144 farklı açıdan görüntü elde edilerek oluşturulmuştur. Veriler Python programlama dili ve OpenCV kütüphanesi kullanılarak görüntü boyutlandırma, kontur kırpma ve arka plan temizleme gibi ön işleme adımlarından geçirilmiş; %50 eğitim, %25 doğrulama ve %25 test olacak şekilde rastgele ayrılmıştır. Araştırmada, önerilen Evrişimli Sinir Ağı (ESA) mimarisi ile birlikte ResNet50, Xception, InceptionV3, MobileNet ve DenseNet121 gibi transfer öğrenme tabanlı modellerin performansları karşılaştırmalı olarak değerlendirilmiştir. Model karşılaştırmaları sonucunda, önerilen ESA mimarisinin düşük parametre sayısı, kısa eğitim süresi ve %99.78 gibi yüksek test doğruluğu ile dikkat çekici bir performans sergilediği gözlemlenmiştir. Ayrıca, karışıklık matrisleri, doğruluk-kayıp grafikleri ve değerlendirme metrikleri incelendiğinde önerilen ESA mimarisinin daha istikrarlı sonuçlar verdiği belirtilmiştir.
Özet (Çeviri)
Walnuts are an important agricultural product in terms of both nutritional value and economic return. Turkey ranks among the world's leading countries in walnut production, and many local and foreign walnut varieties with different morphological characteristics are cultivated. However, the correct classification of this diversity is critical in terms of producer selection, productivity, and quality control. Traditional classification methods are largely based on expert opinion and are prone to human error. Therefore, the automatic classification of walnuts through automated systems ensures accuracy, speed, and efficiency in agricultural production processes. In recent years, deep learning-based approaches have emerged as significant opportunities in this field and as alternatives to traditional methods. This thesis aims to classify different walnut varieties using deep learning models supported by image processing techniques. Within the scope of the study, a unique image dataset was created using samples from five different walnut varieties obtained from local producers in Sorhun Village, Niksar District, Tokat Province. This dataset was created by obtaining images of each walnut from a total of 144 different angles, both horizontally and vertically, at 5° intervals using a specially developed device. The data was processed using the Python programming language and the OpenCV library to perform pre-processing steps such as image resizing, contour cropping, and background cleaning, and was randomly divided into 50% training, 25% validation, and 25% testing. In the study, the performance of transfer learning-based models such as ResNet50, Xception, InceptionV3, MobileNet, and DenseNet121 was compared with the proposed Convolutional Neural Network (CNN) architecture. As a result of the model comparisons, it was observed that the proposed ESA architecture demonstrated remarkable performance with its low number of parameters, short training time, and high test accuracy of 99.78%. Furthermore, when confusion matrices, accuracy-loss graphs, and evaluation metrics were examined, it was noted that the proposed ESA architecture yielded more stable results.
Benzer Tezler
- Deep learning ensembles in lumbar spine mrı dıagnosis
Bel omurgasi mrg teşhisinde derin öğrenme topluluklari
SHAMIMU NAKYIGWE
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği ve Enformatik Bilimler Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
- Derin öğrenme ve makine öğrenmesi tabanlı hibrit model ile ekmeklik buğday çeşitlerinin sınıflandırılması
Classification of bread wheat varieties using a hybrid model based on deep learning and machine learning
FİRUZE ELİF TOKDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKaramanoğlu Mehmetbey ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR SABANCI
- Makine öğrenmesi ve yapay zeka tabanlı manyetik rezonans görüntüleme analizi ile adneksiyel kitlelerin malignite potansiyellerinin öngörülmesi
Predicting the malignancy potential of adnexal masses using machine learning and ai-based magnetic resonance imaging analysis
ZEYNEP ACAR
Tıpta Uzmanlık
Türkçe
2025
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MERVE ALDIKAÇTIOĞLU TALMAÇ
DR. HALE ÇETİN ARSLAN
- Estimating metabolic flux variability with machine learning
Metabolik akış değerlerinin makine öğrenmesi ile tahmini
BARIŞ CAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÇAKMAK
- Çok boyutlu hibrit CNN-LSTM modeli kullanarak elektrik tüketim verilerinden tarife grubu sınıflandırması
Tariff classification with multi-dimensional deep learning using time series load data
ZÜMERYA ÜSTÜNDAĞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH SERTTAŞ