Geri Dön

Balık türlerinin evrişimsel sinir ağları ile sınıflandırılması

Classification of fish species using convolutional neural networks

PDF İndir

  1. Tez No: 959747
  2. Yazar: SERVET DEMİR
  3. Danışmanlar: DOÇ. DR. EMRE YAVUZER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Balıkçılık Teknolojisi, Fisheries Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Kırşehir Ahi Evran Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 69

Özet

Balık türlerinin doğru ve hızlı bir şekilde sınıflandırılması; çevresel sürdürülebilirliğin sağlanması, tür çeşitliliğinin korunması, halk sağlığının gözetilmesi ve balıkçılık yönetiminin iyileştirilmesi açısından büyük önem arz etmektedir. Geleneksel tanımlama yöntemleri, çoğunlukla uzman gözlemine ve morfolojik kıyaslamalara dayandığı için zaman alıcı olup yüksek oranda insan hatasına açıktır. Son yıllarda, görüntü tabanlı verilerin makine öğrenmesi (MÖ) algoritmalarıyla bütünleştirilmesi, sınıflandırma süreçlerinde otomasyon ve doğruluk düzeyinde kayda değer gelişmeler sağlamıştır. Bu bağlamda, bu tez çalışması, farklı balık türlerinin görüntü verileri üzerinden evrimli sinir ağı mimarileriyle sınıflandırılmasına yönelik bir yaklaşım sunmaktadır. Çalışma kapsamında, farklı morfolojik yapıya sahip altı balık türü—alabalık (Oncorhynchus mykiss), çipura (Sparus aurata), levrek (Dicentrarchus labrax), istavrit (Trachurus trachurus), hamsi (Engraulis encrasicolus) ve uskumru (Scomber scombrus) kapsamlı şekilde analiz edilmiştir. Görüntü işleme sürecinde, bu türlerden elde edilen görsel verilerden üç farklı evrimli derin öğrenme modeli aracılığıyla öznitelik çıkarımı gerçekleştirilmiş; bu öznitelikler destek vektör makineleri (DVM) ile sınıflandırılmıştır. Sınıflandırma performansı doğruluk, duyarlılık, özgüllük ve F1 skoru gibi metriklerle değerlendirilmiş ve tüm modellerde %98'in üzerinde başarı elde edilmiştir. Geliştirilen sistem yalnızca kontrollü laboratuvar ortamlarında değil, aynı zamanda mobil platformlar ve gerçek zamanlı uygulamalar için de uygun bir altyapı sunmaktadır. Bu yönüyle çalışma; kalori tahmini, hacim ölçümü, boyut belirleme, sağlık durumu izleme ve tehdit algılama gibi pek çok uygulamada kullanılabilecek, güvenilir ve etkili bir karar destek aracı olarak değerlendirilebilir. Özellikle balık işleme tesislerinde otomatik kalite kontrol sistemlerine entegrasyon potansiyeli taşıyan modelin, beslenme takibi sağlayan mobil uygulamalara da entegre edilmesi öngörülmektedir. Sonuç olarak, bu tez çalışması, evrimli sinir ağı tabanlı modellerin balık sınıflandırma problemlerindeki başarısını ortaya koymakta ve bu alandaki uygulamalara nitelikli bir katkı sunmaktadır.

Özet (Çeviri)

Accurate and rapid classification of fish species plays a vital role in environmental sustainability, biodiversity preservation, public health, and effective fisheries management. Traditional identification methods, which often rely on expert visual inspection and morphological comparison, are time-consuming and susceptible to human error. In recent years, the integration of image-based data with machine learning (ML) algorithms has led to significant improvements in the automation and precision of species classification processes. In this context, the present thesis proposes a deep learning-based framework utilizing evolved neural networks for the classification of various fish species through image analysis. The study focuses on five fish species with distinct morphological features: rainbow trout (Oncorhynchus mykiss), gilthead seabream (Sparus aurata), European seabass (Dicentrarchus labrax), Atlantic horse mackerel (Trachurus trachurus), and anchovy (Engraulis encrasicolus). During the image processing stage, features were extracted using three different evolved deep learning architectures, and these features were subsequently classified using Support Vector Machines (SVM). Classification performance was evaluated based on several statistical metrics, including accuracy, sensitivity, specificity, and F1-score, with all models achieving over 98% accuracy. The proposed system is not only suitable for controlled laboratory settings but is also designed to function effectively in real-time and mobile application environments. Accordingly, the study offers a robust decision-support mechanism that can be utilized in various practical contexts, such as calorie estimation, volume calculation, size assessment, health monitoring, and threat detection. The developed framework demonstrates strong potential for integration into automated quality control systems within fish processing facilities as well as mobile nutrition tracking applications. Ultimately, this thesis highlights the effectiveness of evolved neural network-based models in fish species classification and contributes a scalable and adaptable approach for future applications in the field.

Benzer Tezler

  1. Tez No

    520035

    Video analysis based fish detecton and tail beat frequency estimation in fishways

    Video analizi ile balık geçitlerinde balık tanıma ve kuyruk sallama frekansı tahmini

    YASİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

    PROF. DR. SERHAT KÜÇÜKALİ

  2. Tez No

    958456

    CMAC sinir ağı öğrenme yöntemi kullanılarak yeni melez GSA ve PSO optimizasyon algoritmalarının geliştirilmesi ve başarım analizi

    Development and performance analysis of novel hybrid GSA and PSO optimization algorithms using CMAC neural network learning method

    NAZMİYE EBRU BULUT

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE DANDIL

  3. Tez No

    901255

    Systematics and biostratigraphic implications of micromammals (Rodentia) from selected pliocene-quaternary basins along the North Anatolian Fault Zone

    Kuzey Anadolu Fay Zonu'ndaki bazı pliyosen-kuvaterner yaşlı havzalardan elde edilen küçük memelilerin (Rodentıa) sistematik ve biyostratigrafik çıkarımları

    OZAN ERDAL

    Doktora

    İngilizce

    İngilizce

    2023

    Zoolojiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    PROF. DR. HASAN NÜZHET DALFES

    PROF. DR. ŞEVKET ŞEN

  4. Tez No

    945173

    Investigation of adenosine pathway under hypoxia in the context of NLRP11 and inflammation

    Hipoksik koşullar altında adenozin yolağının NLRP11 ve enflamasyon çerçevesinde incelenmesi

    MERİÇ TAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Moleküler Biyoloji-Genetik ve Biyoteknoloji Ana Bilim Dalı

    DOÇ. DR. CEREN ÇIRACI

  5. Tez No

    617008

    Bazı balık türlerinin morfolojik ve morfometrik parametreleri üzerine farklı fiksatifler ve saklama tekniklerinin kısa süreli etkilerinin araştırılması

    Analysis of short term effects of different fixative and storage techniques on morphological and morphometric parameters of some fish species

    ELİF BENGÜL YAZICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyolojiMuğla Sıtkı Koçman Üniversitesi

    Biyoloji Ana Bilim Dalı

    DOÇ. DR. DANIELA GIANNETTO

Geri Dön