Yenilebilir yabani otların görüntü tabanlı tanınması: yeni bir veri seti oluşturma, farklı derin öğrenme modelleri ile sınıflandırma çalışmaları
Image-based recognition of edible weeds: creating a new dataset, classification studies with different deep learning models
- Tez No: 954718
- Danışmanlar: DR. ÖĞR. ÜYESİ DİLEK TÜKEL
- 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: Doğuş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, doğada kendiliğinden yetişen yenilebilir yabani otların tanınmasına yönelik sınıflandırma çalışmaları gerçekleştirilmiştir. Farklı sınıflandırma algoritmaları kullanılmış ve başarı oranları karşılaştırılmıştır. On çeşit yenilebilir ota ait görüntüler, görüntü işleme teknikleri kullanılarak düzenlenmiştir. Veri setindeki örnek sayısının azlığı nedeniyle veri artırma işlemleri uygulanmış ve ImageDataGenerator kullanılarak görüntüler çoğaltılmıştır. Çoğaltılan bu görüntüler, önceden eğitilmiş DenseNet121, MobileNetV2, ResNet50 ve VGG16 derin öğrenme modelleri ile sınıflandırılmıştır. Modellerin, hem statik ve dinamik arttırılmış eğitim veri setleriyle hem de birbirleriyle karşılaştırmalı doğruluk skorları değerlendirilmiş, eğitim süreleri karşılaştırılmıştır. Elde edilen sonuçlara göre algoritmalar arasında doğrulama doğruluğu açısından en yüksek başarı %96,96 ile ResNet50 modeli tarafından elde edilirken, test doğruluğunda %96,97 ile DenseNet121 modelinin daha başarılı olduğu tespit edilmiştir. Çalışma sonucunda, küçük veri setlerinde önceden eğitilmiş derin öğrenme modellerinin etkili sonuçlar verdiği gözlemlenmiştir. Çalışmanın genel amacı, bu bitkilerin kayıt altına alınması ve ilerleyen çalışmalarda bilinirliğinin arttırılmasına yönelik katkı sağlanmasıdır.
Özet (Çeviri)
In this study, classification analyses were conducted to recognize edible wild herbs that grow naturally in the wild. Various classification algorithms were employed, and their accuracy rates were compared. Images of ten different edible herb species were processed using image processing techniques. Due to the limited number of samples in the dataset, data augmentation techniques were applied, and the images were expanded using the ImageDataGenerator. The augmented images were then classified using pre-trained deep learning models, namely DenseNet121, MobileNetV2, ResNet50, and VGG16. The models were evaluated using both statically and dynamically augmented training datasets, and their accuracy scores and training times were compared. According to the results, the highest validation accuracy was achieved by the ResNet50 model with 96.96%, while the DenseNet121 model yielded the best test accuracy at 96.97%. The findings demonstrate that pre-trained deep learning models provide effective results with small datasets. The overall aim of the study is to contribute to the documentation of these plants and to support their increased recognition in future research efforts.
Benzer Tezler
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. METİN TALİM
- Hazır giyim sanayiinde nitelikli insangücü ihtiyacı
Başlık çevirisi yok
HANDAN SEZER
Yüksek Lisans
Türkçe
1986
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiGiyim Endüstrisi ve Giyim Sanatları Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL ATAMAN
- Türkiyenin enerji politikası ve verimlilik açısından değerlendirilmesi
Başlık çevirisi yok
MUHİTTİN MURAT
Yüksek Lisans
Türkçe
1986
EnerjiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Tarihsel gelişimi bakımından TRT'nin yönetim şekli ve hukuk düzeni
Başlık çevirisi yok
KAMİL ÖZÇELİK
Yüksek Lisans
Türkçe
1987
Radyo-Televizyonİstanbul ÜniversitesiRadyo Televizyon Ana Bilim Dalı
PROF. DR. EROL CİHAN