Makine öğrenmesi yöntemleriyle yaprak görüntülerinin sınıflandırılması
Classification of leaf images using machine learning methods
- Tez No: 966657
- Danışmanlar: DR. ÖĞR. ÜYESİ RIFAT AŞLIYAN
- 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: Aydın Adnan Menderes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 109
Özet
Yaprak sınıflandırma çalışmaları, tarımda, bir bölgedeki biyoçeşitliliğinin tespitinde, bitki türlerinin doğru tespit edilmesinde, farmakolojide, ormancılıkta ve gıda güvenliğinde çok faydalı olmaktadır. Bu tez çalışmasında 12 farklı bitki türünden oluşan bitkilerin yaprak görüntülerinden bitki türlerini tespit eden sistemler geliştirilmiştir. Bu sistemlerin oluşturulmasında evrişimsel sinir ağlarından olan AlexNet, VGGNet16 ve GoogleNet ağları kullanılmıştır. Veri seti, eğitim ve test veri seti olmak üzere ikiye bölünmüştür. Eğitim veri seti ile hem standart AlexNet hem de çok büyük görüntü veri seti ile önceden eğitilmiş AlexNet ağı eğitilmiştir. Önceden eğitilmiş AlexNet ağı önceden eğitilmemiş AlexNet ağından çok daha başarılı olmuştur. Bu sebeple, VGGNet16 ve GoogleNet modelleri oluşturulurken önceden eğitilmiş ağlar kullanılmıştır. Ağlar eğitilmeden önce veri artırma işleminden geçirilmek suretiyle eğitim veri setinin görüntü sayısı artırılmıştır. Diğer bir değişle, ağ eğitimindeki her epoch aşamasında görüntüde ölçekleme, öteleme ve döndürme işlemi yapılarak yeni görüntüler elde edilmiştir. Bu işlemle ağın genelleştirme yapma özelliği artırılarak modellerin başarıları artırılmıştır. Aynı zamanda ağların farklı parametreleriyle yeni sistemler oluşturulmuş ve test veri seti ile ağların başarısı Doğruluk, F1-ölçüsü ve ROC eğrisi metrikleriyle ölçülmüş ve karşılaştırılmıştır. Bu tez çalışması sonucunda öncende eğitilmiş AlexNet ağının öncenden eğitilmemiş ağdan daha başarılı olduğu gösterilmiştir. Farklı parametrelerle oluşturulan en başarılı AlexNet, VGGNet16 ve GoogleNet ağlarının F1-ölçüsü başarı oranları sırasıyla %96,8, %98,8 ve %99,3 olarak hesaplanmıştır.
Özet (Çeviri)
Leaf classification studies are highly beneficial in fields such as agriculture, determination of biodiversity in a region, accurate identification of plant species, pharmacology, forestry, and food security. In this thesis study, systems have been developed to identify plant classes from the leaf images of 12 different plant categories. Convolutional Neural Network (CNN) architectures, namely AlexNet, VGGNet16, and GoogleNet, have been used for the creation of these systems. The dataset has been divided into two parts: a training set and a test set. Using the training data, both a standard AlexNet and a pre-trained AlexNet, previously trained on a very large image dataset, were trained. The pre-trained AlexNet network was significantly more successful than the one trained from scratch. For this reason, pre-trained networks were also utilized when creating the VGGNet16 and GoogleNet models. Before training the networks, the number of images in the training set was increased through data augmentation. In other words, during each epoch of the training, new images were generated by applying scaling, translation, and rotation operations. This process has improved the models' success by enhancing their generalization capabilities. Additionally, new systems were created using different parameters for the networks, and their performance was measured and compared on the test set using Accuracy, F1-score, and ROC curve metrics. As a result of this thesis study, it is demonstrated that the pre-trained AlexNet network is more successful than the network trained from scratch. The F1-score success rates of the best-performing AlexNet, VGGNet16, and GoogleNet networks, configured with different parameters, have been calculated as 96.8%, 98.8%, and 99.3%, respectively.
Benzer Tezler
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Mamogram görüntülerinden makine öğrenmesi yöntemleri ile meme kanseri teşhisi
Breast cancer detection on mammogram images by using machine learning techniques
İSMAİL İŞERİ
Doktora
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMİL ÖZ
- Defect characterization of aerospace composites via machine learning assisted image processing
Görüntü işleme destekli makina öğrenmesi metoduyla havacılık kompozitlerinde hata tespiti
ÜMİT ÇİFTÇİ
Yüksek Lisans
İngilizce
2023
Havacılık MühendisliğiAnkara Yıldırım Beyazıt ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ORHAN ÖZÇELİK
- Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Segmentation of breast microwave imaging using fuzzy c-mean clustering
Bulanık c-ortalama kümeleme kullanarak meme mikrodalga görüntülemesinin segmentasyonu
ASAL MAMIZADEH
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN