Farkli yolo algoritmalarinin çeşit-1252 makarnalik buğday tanelerinin siniflandirilmasinda kullanilmasi ve karşilaştirilmasi
Application and comparison of different yolo algorithms for the classification of cesit-1252 durum wheat grains
- Tez No: 963181
- Danışmanlar: DOÇ. DR. KADİR SABANCI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Bilgisayar destekli mühendislik, Görsel nesne tanıma, Computer aided engineering, Visual object recognition
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Buğday, dünya genelinde temel bir tarımsal ürün olup, insan beslenmesinde kritik bir rol oynamaktadır. Buğdayın kalitesinin doğru ve etkin bir şekilde sınıflandırılması, hem üreticiler hem de tüketiciler açısından büyük önem taşımaktadır. Ancak geleneksel kalite sınıflandırma yöntemleri, genellikle zaman alıcı, maliyetli ve insan hatasına açık süreçler içermektedir. Bu çalışmada, modern nesne tanıma algoritmalarından olan YOLO (You Only Look Once) algoritmasının farklı versiyon ve alt modelleri kullanılarak Çeşit-1252 makarnalık buğday tanelerinin kalite sınıflandırması gerçekleştirilmiştir. Buğdayın camsılığı, kalite belirleme kriterlerinden biri olarak ele alınmış ve sınıflandırma için kullanılmıştır. Çalışmada kullanılan veri seti, 2738 adet camsı ve 1485 adet nişastalı buğday tanesi görsellerini içermektedir. Ayrıca, veri setinde buğday olmayan 773 adet çeşitli yabancı madde görselleri de yer almaktadır. Böylece, modelin yalnızca buğdayın camsılık özelliklerini sınıflandırması değil, aynı zamanda yabancı maddeleri ayırt etmesi de sağlanmıştır. Modellerin performans metrikleri incelendiğinde, en yüksek F1 skoru (0.99) ve güven değeri (0.643) YOLOv5 Large modeli tarafından elde edilmiştir. Aynı model, doğruluk (0.92) ve güven (0.94) değerleri açısından da en iyi sonuçları vermiştir. PR eğrileri analiz edildiğinde, camsı sınıfında en iyi kesinlik/duyarlılık oranı YOLOv7 Large (0.996) modeliyle elde edilirken, nişastalı sınıf için YOLOv7 Small, YOLOv8 Large ve YOLOv11 Small modelleri (0.991) ile elde edilmiştir. Yabancı cisimlerin tespitinde ise en iyi performans YOLOv7 Small (0.990) modelinden alınmıştır. Tüm sınıfların genel ortalamasına bakıldığında, YOLOv7 Small, YOLOv7 Large ve YOLOv11 Small modelleri (0.991) en iyi sonuçları sunmuştur. Çalışmada kullanılan farklı YOLO algoritmaları ve modelleri, camsı ve nişastalı buğdayları başarılı şekilde sınıflandırmış ayrıca yabancı maddeleri ayırt etme konusunda da etkili bir performans göstermiştir.
Özet (Çeviri)
Wheat is one of the most essential agricultural commodities worldwide and plays a critical role in global food security and human nutrition. Ensuring the accurate classification of wheat quality is vital for both producers and consumers in terms of food standards, pricing, and processing efficiency. Traditional quality assessment methods, while widely used, are often labor-intensive, time-consuming, and susceptible to human error. This study presents an automated classification approach using different versions and sub-models of the deep learning-based YOLO (You Only Look Once) object detection algorithm, applied to Type-1252 durum wheat grains. Vitreousness, a key visual indicator of wheat quality, was selected as the main classification criterion. The dataset includes 2738 vitreous grains, 1485 starchy grains, and 773 foreign object images, enabling multi-class classification beyond simple grain differentiation. Experimental results showed that the YOLOv5 Large model achieved the highest performance with an F1-score of 0.99 and a confidence score of 0.643. It also outperformed other models in terms of accuracy (0.92) and precision (0.94). According to the PR curve analysis, the best precision/recall ratio in the vitreous class was achieved with the YOLOv7 Large (0.996), while the starchy class yielded top results with YOLOv7 Small, YOLOv8 Large, and YOLOv11 Small (all 0.991). For foreign material detection, YOLOv7 Small reached the highest performance at 0.990. Overall, YOLOv7 Small, YOLOv7 Large, and YOLOv11 Small provided the most consistent results across all classes (0.991 average), demonstrating the effectiveness of YOLO-based architectures in automated wheat quality assessment and foreign object detection with high accuracy and robustness.
Benzer Tezler
- Bir buzdolabı işletmesinin montaj hattı dengelemesinde süreç madenciliği yaklaşımının kullanılması
Using process mining approach in the assembly line balancing of a refrigerator plant
İSMAİL SAMET KISAKAYA
Yüksek Lisans
Türkçe
2020
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMİL CEYLAN
- Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities
Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği
ABDURRAHMAN KILIÇ
Doktora
İngilizce
2024
Ekonometriİstanbul Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- ATM networks and ATM switching architectures
ATM (Asenkron transfer modu) ağları ve ATM seçici mimarileri
TOLGA AÇIKÖZ
Yüksek Lisans
İngilizce
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BÜLENT ÖRENCİK
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ