Geri Dön

Görüntü işleme ve derin öğrenme kullanarak yumurta tiplerinin ve durumunun tespiti

Detection egg types and state using image processing and deep learning

PDF İndir

  1. Tez No: 959779
  2. Yazar: AYA MOHAMED HUSSEIN
  3. Danışmanlar: DOÇ. DR. BÜLENT TURAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Tokat Gaziosmanpaşa Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

Yumurtaların izlenmesi ve toplanması için bilgisayarla görme ve otomasyonun kullanılması, işgücü verimliliğinin artırılması için çok önemlidir. Derin öğrenme ve bilgisayarla görme teknikleri, araştırmacılar ve geliştiriciler tarafından çeşitli alanlarda yaygın olarak benimsenmiştir. Bu çalışma, YOLO V8 kullanan verimli ve hafif bir ağ modeli önermektedir. Bu tez, çeşitli yumurta türlerini ve bunların farklı koşullarını dikkate alan geliştirilmiş bir model sunmaktadır. Metodolojimiz üç ana aşamadan oluşmaktadır: ilk aşama görüntü kırpma dahil olmak üzere görüntü ön işleme ve büyütme tekniklerini içerir; ikinci aşama YOLOv8 tespit algoritmalarını kullanır; ve son aşama sınıflandırma doğruluğunu artırmak için derin öğrenme yaklaşımlarını uygular. Bunu, algılama ve sınıflandırmadaki algoritma performansının çeşitli kriterlere göre karşılaştırmalı bir analizi takip etmektedir. Literatürü incelediğimizde, bu alandaki araştırmaların çoğunun belirli bir tür veya sınırlı bir yumurta durumu (örneğin, sağlam veya kırık) üzerinde yoğunlaştığını görülmektedir (örneğin, tavuk veya ördek yumurtalarının sınıflandırılması). Bu çalışmada tavuk yumurtası (hem sağlam hem de kırık), ördek yumurtası(hem sağlam hem de kırık) ve bıldırcın yumurtası(hem sağlam hem de kırık) bir arada kullanılmıştır. Bu çalışma, modelin parametre sayısını ve hesaplama yükünü azaltırken yüksek tespit doğruluğunu korur. Bu yöntem, dağıtım masraflarını azaltır ve robotik platformlar için uygunluğunu artırır. Bu çalışmada, altı yumurta türünü kategorize etmek için bir sınıflandırma modeli belirlenmiştir. Böylece CNN modelinin performansı diğer modeler ile karşılaştırılmıştır. Karşılaştırmada kullanılan modeller“Random Forest”, 'K-Nearest Neighbors (KNN)', ve 'ResNet50'tir. Veri kümesi eğitim, doğrulama ve test kümeleri olarak düzenlenmiştir . Deneysel bulguların analizi, Evrişimsel Sinir Ağının (CNN) performans açısından diğer modelleri geride bıraktığını göstermektedir. CNN modeli hafif mimarisi, minimum parametre sayısı ve hızlı performansı ile öne çıkmaktadır. Sistemin yumurta sınıflandırmasını da kapsayan tahmin yetenekleri, işlendikten sonra yumurtaların sınıflandırma tipleri için %99 ve yumurtaların sınıflandırma durumları için %100 başarı elde edilmiştir.

Özet (Çeviri)

The utilization of computer vision and automation for monitoring and collecting eggs is crucial for enhancing labor productivity. Deep learning and computer vision techniques have been extensively adopted by researchers and developers in diverse fields. This study proposes an efficient and lightweight network model utilizing YOLO V8. Rather than integrating many attributes simultaneously, the majority of research concentrate on a singular attribute, such as size or kind. This thesis presents an enhanced model that considers various egg types and their distinct conditions. Our methodology comprises three primary stages: the initial stage involves image preprocessing and augmentation techniques, including image cropping; the second stage employs YOLOv8 detection algorithms; and the last stage applies deep learning approaches to enhance classification accuracy. This is succeeded by a comparative analysis of algorithm performance in detection and classification according to diverse criteria. Upon examining the literature, we found that most research in this domain has concentrated on a particular type or a restricted range of egg states (e.g., intact or broken) (e.g., classification of chicken or duck eggs). This study involved the combination of chicken eggs (both intact and broken), duck eggs(both intact and broken), and quail eggs(both intact and broken). This study preserves elevated detection accuracy while diminishing the model's parameter count and computational burden. This method reduces deployment expenses and improves its suitability for robotic platforms. This study will identify a classification model to categorize six types of eggs and evaluate the performance of the CNN model against other models:“Random Forest”,“K-Nearest Neighbors (KNN)”and“ResNet50”. The dataset was organized into training, validation, and test sets. The analysis of the experimental findings indicates that the Convolutional Neural Network (CNN) surpasses the other models in performance. The CNN model is distinguished by its lightweight architecture, minimal parameter count, and rapid performance The prediction capabilities of the system, including egg classification, are 99% for the classification types of eggs and 100% for the classification states of eggs after processing

Benzer Tezler

  1. Tez No

    962344

    Yapay zeka tabanli fetal baş çevresi̇ ölçümü ve fantom üzeri̇nde uygulamalar

    Artificial intelligence based fetal head circumference measurement and applications on phantom

    ÖZGE PEKDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAYRİYE KORKMAZ

    DOÇ. DR. BAKİ KARABÖCE

  2. Tez No

    913546

    Classification of fish by weight with computer vision and deep learning

    Bilgisayar görüsü ve derin öğrenme ile balıkların ağırlıklarına göre sınıflandırılması

    RAZİYE CEREN ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Robotik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYTUĞ ONAN

  3. Tez No

    785533

    Detection and classification of brown marmorated stink bug (Halyomorpha halys) damage in hazelnut using image processing and deep learning techniques

    Görüntü işleme ve derin öğrenme teknikleri kullanarak fındıkta kahverengi kokarca (Halyomorpha halys) zararının belirlenmesi ve sınıflandırılması

    OMSALMA ALSADIG ADAM GADALLA

    Doktora

    İngilizce

    İngilizce

    2023

    ZiraatOndokuz Mayıs Üniversitesi

    Tarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı

    PROF. DR. YEŞİM BENAL ÖZTEKİN

  4. Tez No

    769516

    Facial detection using image processing techniques and deep neural network

    Görüntü işleme teknikleri ve derin sinir ağı kullanarak yüz algılama

    MOHANAD SALAH JASIM ALAZZAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. OSMAN NURİ UÇAN

  5. Tez No

    912816

    Görüntü işleme ve derin öğrenme yaklaşımlarıyla strabismus tespiti

    Strabismus detection with image processing and deep learningapproaches

    ŞÜKRÜ KARAASLAN

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiFırat Üniversitesi

    Elektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı

    PROF. DR. MEHMET GEDİKPINAR

Geri Dön