Derin öğrenme ile öznitelik çıkarma ve sınıflandırma uygulaması
Feature extraction and classification application with deep learning
- Tez No: 968973
- Danışmanlar: DR. ÖĞR. ÜYESİ MEMDUH KÖSE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Görüntü işleme, Görüntü sınıflandırma, Yapay sinir ağları, Öznitelik, Öznitelik çıkarma, Image processing, Image classification, Artificial neural networks, Feature extraction, Feature
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kırşehir Ahi Evran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Botanik ve tarımda, yaprakların sınıflandırılması biyoçeşitlilik, ekolojik çalışmalar ve bitki türlerinin tanımlanması üzerine yapılan çalışmalar için hayati bilgiler sağlayan kritik bir süreçtir. Hazır veri setleri, çeşitli bitki türlerinden kapsamlı bir yaprak görüntüsü koleksiyonu sunarak gelişmiş sınıflandırma algoritmalarının geliştirilmesini ve değerlendirilmesini sağlamaktadır. Bu çalışma, öznitelik çıkarma ve sınıflandırma aşamalarıdan yaprak görüntülerini sınıflandırmak için sağlam bir metodoloji sunmaktadır. Oluşturulan veri seti her sınıftan 1000 er adet olmak üzere toplam 15000 görüntüye sahiptir. Öznitelikler, önceden eğitilmiş sinir ağları ileri çıkarılmaktadır. Ön işleme yöntemleri kullanılmamıştır. Bazı teknikleri sistematik olarak entegre ederek boyutluluğu azaltmayı, alakasız veya gereksiz öznitelikleri ortadan kaldırmayı ve veri kalitesini iyileştirme amaçlanmaktadır. Öznitelikle büyük veri kümeleri ve çok sayıda sınıf söz konusu olduğunda sınıflandırmada doğruluğu artırmak, veri ön işleme, model seçimi, düzenleme teknikleri ve ince ayarın bir kombinasyonunu içermek zorundadır. Düşük profilli veri seti olduğundan bu çalışmada buna gerek duyulmamıştır. Veri seti ileriki çalışmalarda daha büyük sıkalaya yükseltildiğinde özniteliklerin daha sağlam olması çaısından bazı önişleme yöntemlerini kullanmak zorun olacaktır. Sonuçlar, 15 sınıflı veri seti için 2 modelin öznitelik çıkarmada kullanıldığı çalışmada eğitim oranı %40 ların üzerine çıktığında her model için sınıflandırma başarımının %90'ın üzerine çıktığını göstermektedir.
Özet (Çeviri)
In botany and agriculture, leaf classification is a critical process that provides vital information for studies on biodiversity, ecological research, and plant species identification. Pre-existing datasets facilitate the development and evaluation of advanced classification algorithms by offering a comprehensive collection of leaf images from various plant species. This study presents a robust methodology for classifying leaf images through feature extraction and classification stages. The created dataset contains a total of 15,000 images, with 1,000 images per class. Features are extracted using pre-trained neural networks. No preprocessing methods were used. The aim is to reduce dimensionality, eliminate irrelevant or unnecessary features, and improve data quality by systematically integrating certain techniques. When dealing with large feature sets and a large number of classes, improving classification accuracy requires a combination of data preprocessing, model selection, regularization techniques, and fine-tuning. Since the dataset was low-profile, this was not necessary in this study. When the dataset is scaled up in future studies, it will be necessary to use some preprocessing methods to ensure that the attributes are more robust. The results show that when the training rate exceeded 40% in the study where two models were used for feature extraction on a 15-class dataset, the classification performance exceeded 90% for each model.
Benzer Tezler
- İnsan hareketlerinin kinect sensör kullanılarak sınıflandırılması
Classification of human motions using kinect sensor
BÜŞRA AÇIŞ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELDA GÜNEY
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- EOG tabanlı insan bilgisayar arabirim tasarımı
EOG based human computer interface design
RECEP ARSLAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELİM ARAS
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Hibrit öznitelik çıkarımı ve derin öğrenme yöntemleriyle EKG sinyallerinden kardiyak durumların sınıflandırılması
Classification of cardiac conditions from ECG signals using hybrid feature extraction and deep learning methods
HAZRET TEKİN
Doktora
Türkçe
2024
BiyomühendislikBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILMAZ KAYA