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
- Tez No: 962282
- Danışmanlar: DOÇ. DR. KADİR SABANCI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Buğday, dünya üzerinde en yaygın ekilen ve en fazla tüketilen tahıllardan biridir ancak hızla artan dünya nüfusu, iklim değişiklikleri ve tarım alanlarının kaybı gibi faktörler buğday üretiminde verimlilik sorunlarına yol açmaktadır. Geleneksel yöntemlerin verimlilik sorunlarına yetişemediği görülmüş ve son yıllarda gelişen teknolojiler özellikle derin öğrenme modelleri ile buğday üretimini daha verimli hale getirme çalışmaları yapılmıştır. Bu tez çalışmasında Ayten Abla, Bayraktar 2000, Hamitbey, Şanlı ve Tosunbey olmak üzere beş farklı ekmeklik buğday çeşidi dokuz farklı derin öğrenme modeliyle sınıflandırmıştır. Buğday çeşitlerine ait görüntülerin %75'i eğitim, %10'u doğrulama ve %15'i ise test işlemleri için kullanılmıştır. Derin öğrenme modelleri ile elde edilen sınıflandırma doğruluk değerleri ile her bir modelin performansı karşılaştırılmıştır. Yapılan sınıflandırmalar sonucunda, en yüksek doğruluk değeri %97.21 ile ResNet101 modelinde elde edilmiştir. En yüksek başarıyı takip eden diğer modeller ise %96.97 ile DenseNet169, %96.65 ile ResNet50 ve %96.09 ile DenseNet201 modelleri olmuştur. En başarılı model olan ResNet101 modelinden derin özellikler çıkartılmış ve elde edilen özellikler destek vektör makineleri (SVM), k-en yakın komşu (KNN) ve karar ağacı (Decision Tree) yöntemleri ile yeniden sınıflandırılmıştır. Bu hibrit modeller arasından en yüksek doğruluk değeri %98.0 ile Resnet101+Linear SVM modelinden elde edilmiştir. Elde edilen sonuçlar derin öğrenme tabanlı sistemlerin tarım sektöründe verimlilik artırma ve gıda güvenliği sağlama açısından sağladığı katkıları ortaya koymuştur.
Özet (Çeviri)
Wheat is one of the most widely cultivated and most consumed cereals in the world. However, factors such as the rapidly increasing world population, climate change, and the loss of agricultural land have led to productivity issues in wheat production. It has been observed that traditional methods fail to keep up with these productivity challenges, and in recent years, advancements in technology, particularly deep learning models, have been used to make wheat production more efficient. In this thesis study, five different bread wheat varieties Ayten Abla, Bayraktar 2000, Hamitbey, Şanlı, and Tosunbey were classified using nine different deep learning models. Of the images belonging to wheat varieties, 75% were used for training, 10% for validation, and 15% for testing. The classification accuracy values obtained by deep learning models were compared with the performance of each model. As a result of the classifications, the highest accuracy value was obtained in the ResNet101 model with 97.21%. Other models that followed with the highest success were DenseNet169 with 96.97%, ResNet50 with 96.65%, and DenseNet201 with 96.09%. Deep features were extracted from the most successful model, ResNet101, and the obtained features were reclassified using support vector machines (SVM), k-nearest neighbors (KNN), and decision tree methods. Among these hybrid models, the highest accuracy value of 98.0% was obtained from the Resnet101+Linear SVM model. The obtained results showed the contributions of deep learning-based systems in increasing productivity and ensuring food security in the agricultural sector.
Benzer Tezler
- Hasar değerlendirme süreçlerinde makine öğrenmesi ve derin öğrenme tabanlı hibrit model yaklaşımı
Machine learning and deep learning based hybrid model approach in damage assessment processes
KEREM ÖZÇELİK
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Maymun çiçeği lezyonlarının derin öğrenme tabanlı hibrit model ile sınıflandırılması
Classification of monkeypox lesions using a deep learning-based hybrid model
MUSTAFA KEMAL TOPÇU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR İNAN
- Hibrit derin öğrenme modelleri ile videodan işaret dili tanıma
Recognition of sign language videos using hybrid deep learning models
ESMA YENİSARI
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SIRMA YAVUZ
- AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi
Machine learning and deep learning based modeling of aging and mechanical behavior in AA 7075 alloys
MÜJDE GÜZELGÜL
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN KÖSE
- Derin öğrenme yöntemi kullanarak tarımda verimliliği arttıran yeni bir hibrit model
A new hybrid model increasing productivity in agriculture using deep learning method
FATİH BAL
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH KAYAALP