Ceviz çeşitlerinin derin öğrenme algoritmalarıyla sınıflandırılması
Classification of walnut varieties with deep learning algorithms
- Tez No: 962834
- Danışmanlar: DR. ÖĞR. ÜYESİ İLKAY ÇINAR, PROF. DR. NURETTİN DOĞAN
- 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: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ceviz, küresel ölçekte yüksek ekonomik değere sahip önemli bir tarım ürünüdür. Ceviz türlerinin doğru şekilde sınıflandırılması araştırma, koruma ve kalite kontrol süreçleri açısından büyük önem taşımaktadır. Ancak geleneksel sınıflandırma yöntemleri büyük ölçüde elle yapılan işlemlere dayanmakta olup bu yöntemler zaman alıcıdır ve insan hatasına açıktır. Tarım sektöründeki teknolojik gelişmelerle birlikte; meyve, sebze ve tahıl gibi ürünlerin sınıflandırılmasında derin öğrenme algoritmalarının kullanımı giderek yaygınlaşmaktadır. Bu tez çalışmasında, makine öğrenmesi algoritmaları ve önceden eğitilmiş derin öğrenme modelleri kullanılarak ceviz türlerinin otomatik olarak sınıflandırılması amaçlanmıştır. Böylece zaman kaybı, iş yükü ve hatalı sınıflandırma oranlarının azaltılması hedeflenmiştir. Bu amaçla Chandler, Kaman1, Fernor, Yalova3 ve Maraş18 türlerine ait toplam 2540 görüntüden oluşan özel bir veri seti oluşturulmuştur. Sınıflandırma işlemi için öncelikle VGG16 derin öğrenme modeli kullanılarak verisetinden 4096 adet özellik elde edilmiştir. Bu özellikler SVM, k-NN ve Random Forest gibi makine öğrenmesi algoritmalarına giriş olarak verilerek sınıflandırma işlemi gerçekleştirilmiştir. Sonrasında VGG16, VGG19, ResNet-50, DenseNet-121 ve Xception gibi yaygın olarak kullanılan önceden eğitilmiş derin öğrenme mimarileri, oluşturulan özgün veri seti üzerinde veri artırımsız, veri artırımlı ve ağırlıklı kayıp fonkiyonu kullanılarak eğitilmiştir. Deneysel sonuçlara göre; klasik makine öğrenmesi algoritmaları daha düşük doğruluk değerleri sunmuş, bu algoritmalar arasında en iyi performansı %90,10 doğruluk ile SVM göstermiştir. Buna karşılık, ResNet-50 modeli veri artırımı uygulanmış veri seti üzerinde %97,95 doğruluk oranı ile en yüksek başarıyı göstermiştir. Xception modeli ise ağırlıklı kayıp fonksiyonu kullanıldığında %98,54, orijinal veri seti üzerinde ise %98,27 doğrulukla en başarılı sonuçları elde etmiştir. Elde edilen sonuçlar, ResNet-50 ve Xception modellerinin ceviz türlerinin otomatik sınıflandırılmasındaki etkinliğini ortaya koymakta, aynı zamanda derin öğrenme teknolojilerinin geleneksel yöntemlere kıyasla daha hızlı, daha doğru ve daha az iş gücü gerektiren alternatifler sunduğunu göstermektedir. Genel olarak bu çalışma, derin öğrenme teknolojilerinin tarımsal üretim süreçlerine entegrasyonuna katkı sağlamakta ve geleneksel sınıflandırma yöntemlerinin verimliliğini artırmaya yönelik çözümler önermektedir.
Özet (Çeviri)
Walnut is an important agricultural product with high economic value on a global scale. The accurate classification of walnut species is of great importance for research, conservation and quality control processes. However, traditional classification methods largely rely on manual processes, which are time-consuming and prone to human error. With technological advancements in the agricultural sector, the use of deep learning algorithms in the classification of products such as fruits, vegetables and grains is becoming increasingly widespread. In this thesis study, it is aimed to automatically classify walnut species by using machine learning algorithms and pre-trained deep learning models. Thus it is intended to reduce time loss, workload and misclassification rates. For this purpose, a special dataset consisting of a total of 2540 images belonging to the Chandler, Kaman1, Fernor, Yalova3 and Maras18 species was created. For the classification process, firstly, 4096 features were extracted from the dataset using the VGG16 deep learning model. These features were given as input to machine learning algorithms such as SVM, k-NN and Random Forest and the classification process was carried out. Afterwards, commonly used pre-trained deep learning architectures such as VGG16, VGG19, ResNet-50, DenseNet-121 and Xception were trained on the created original dataset using three different strategies: without data augmentation, with data augmentation and with a weighted loss function. According to the experimental results, classical machine learning algorithms presented lower accuracy values and among these algorithms, SVM showed the best performance with 90.10% accuracy. In contrast, the ResNet-50 model achieved the highest performance with an accuracy of 97.95% on the dataset with applied data augmentation. The Xception model obtained the best results with 98.54% accuracy when using a weighted loss function and 98.27% accuracy on the original dataset. The results obtained reveal the effectiveness of the ResNet-50 and Xception models in the automatic classification of walnut species and also show that deep learning technologies offer faster, more accurate and less labor-intensive alternatives compared to traditional methods. In general, this study contributes to the integration of deep learning technologies into agricultural production processes and proposes solutions to improve the efficiency of traditional classification methods.
Benzer Tezler
- Ceviz çeşitlerinin derin öğrenme teknikleri kullanılarak sınıflandırılması
Classification of walnut varieties using deep learning techniques
BARIŞ ATEŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
PROF. DR. MEHMET KARA
- Ceviz çeşitlerinin sürgün ve yaprak görüntüleri kullanarak derin öğrenme yöntemiyle erken dönemlerde tespit edilmesi
Early detection of walnut cultivars by deep learning method using shoot and leaf images
ALİ ALTINALAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIsparta Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KIYAS KAYAALP
- Tarım sektöründe yapay zeka uygulamaları
Artificial intelligence applications in the agriculture sector
ARMAĞAN ÇEVİK ATAHAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. FUAT TÜRK
- Topraksız tarımda bazı çilek çeşitlerinin performansları
Performances of some strawberry cultivars in soilless agriculture
OZAN TARI
Yüksek Lisans
Türkçe
2021
ZiraatAydın Adnan Menderes ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
PROF. DR. GONCA GÜNVER DALKILIÇ