Yapay zeka ile görüntü verileri kullanılarak sığırların nodüler ekzantemi teşhisine yönelik sistem tasarımı
System design for diagnosing of lumpy skin disease in cattle using image data with artificial intelligence
- Tez No: 974543
- Danışmanlar: DR. ÖĞR. ÜYESİ EBRU AYDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sığırların Nodüler Ekzantemi (LSD), deri lezyonları, zayıflık ve üretim kayıplarına yol açarak hayvancılığı ve tarım ekonomisini tehdit eden bulaşıcı bir hastalıktır. Hızla yayılabilmesi nedeniyle erken teşhis büyük önem taşımaktadır. Bu çalışmada, sığır görüntüleri üzerinden LSD'nin tespiti amacıyla Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) tekniklerinin performansları karşılaştırılmıştır. Çalışma kapsamında, açık erişimli altı adet veri setinden elde edilen 9.377 görsel, Yapısal Benzerlik Endeksi (SSIM) yöntemiyle benzerliklerinden arındırılarak 8.481 özgün görsele indirgenmiş ve bu veri hazırlık süreci model başarımı açısından önemli katkı sağlamıştır. Ayrıca, literatürde genellikle yalnızca model içi karşılaştırmalar yapılırken, önerilen çalışmada farklı model türleri de birbiriyle kıyaslanmıştır. Farklı sınıf dengelerine sahip beş veri seti üzerinde yapılan analizlerle, her veri yapısı için en uygun algoritma belirlenmiş ve bu seçimler gerekçelendirilmiştir. Çalışmada; Destek Vektör Makineleri (SVM), Rastgele Orman (RF), K-En Yakın Komşu (KNN), Naive Bayes, Lojistik Regresyon ve Gradyan Artırma gibi ML algoritmaları ile CNN, VGG16, ResNet50 ve MobileNetV2 gibi DL modelleri kullanılmıştır. Modeller doğruluk, sınıf dengesiyle başa çıkabilme ve farklı veri büyüklüklerine uyum kriterleri kapsamında değerlendirilmiştir. Çalışmanın sonuçları, Gradient Boosting ve Random Forest algoritmalarının küçük ve dengeli veri setlerinde tutarlı performans gösterdiğini; MobileNetV2'nin ise büyük ve karmaşık veri setlerinde %98,98 doğruluk oranı ile en yüksek başarıyı sunduğunu ortaya koymuştur. Bu çalışma, LSD'nin yapay zeka destekli tanısında kullanılabilecek yöntemlerin avantaj ve sınırlılıklarını analiz ederek, farklı veri seti özelliklerine göre en uygun yaklaşımları belirlemeyi ve sahaya entegre edilebilecek teşhis sistemlerine zemin hazırlamayı amaçlamaktadır.
Özet (Çeviri)
Lumpy Skin Disease (LSD) in cattle is a contagious disease that threatens livestock and the agricultural economy by causing skin lesions, weakness, and production losses. Due to its rapid spread, early diagnosis is of great importance. In this study, the performance of Machine Learning (ML) and Deep Learning (DL) techniques was compared for the detection of LSD using cattle images. A total of 9,377 images obtained from six publicly available datasets were reduced to 8,481 unique images by eliminating duplicates using the Structural Similarity Index (SSIM) method. This data preparation step made a significant contribution to model performance. Moreover, while the literature typically focuses only on intra-model comparisons, this study also compares different model types with one another. Through analyses conducted on five datasets with varying class balances, the most suitable algorithm for each data structure was identified and justified. The study utilized ML algorithms such as Support Vector Machines (SVM), Random Forest (RF), K-Nearest Neighbors (KNN), Naive Bayes, Logistic Regression, and Gradient Boosting, as well as DL models including CNN, VGG16, ResNet50, and MobileNetV2. Models were evaluated based on accuracy, ability to handle class imbalance, and adaptability to different dataset sizes. The results of the study revealed that Gradient Boosting and Random Forest algorithms delivered consistent performance on small and balanced datasets, while MobileNetV2 achieved the highest success on large and complex datasets with an accuracy rate of 98.98%. This study aims to analyze the advantages and limitations of AI-assisted diagnostic methods for LSD, identify the most appropriate approaches according to different dataset characteristics, and lay the groundwork for diagnostic systems that can be integrated into the field.
Benzer Tezler
- Akciğer tomografisi görüntülerinde görüntü işleme teknikleri kullanılarak nodül tespiti ve yapay zeka ile nodüllerin nitelendirilmesi
Nodula determination by using image processing techniques and characteri̇zati̇on of node with artificial intelligence in lung tomography images
ENES ÇAKAR
Yüksek Lisans
Türkçe
2018
BiyomühendislikSakarya ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KARACA
- Investigating the performance of super-resolved remote sensing images on coastline segmentation with deep learning-based methods
Derin öğrenme tabanlı yöntemlerle kıyı şeridi segmentasyonunda süper çözünürlüklü uzaktan algılama görüntülerinin performansının araştırılması
İLHAN PALA
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Uydu görüntü verisinin yapay sinir ağları ile sınıflandırılması
Classification of satellite imagery data with artificial neural networks
COŞKUN ÖZKAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
DOÇ.DR. FİLİZ SUNAR ERBEK
- Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu
Analysis and optimization of artificial neural networks for image classification
OZAN ARSLAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiPROF. DR. OĞUZ MÜFTÜOĞLU
PROF. DR. CANKUT ÖRMECİ
- Data-driven design framework for AI-aided interactive architectural panels
Yapay zekâ destekli etkileşimli mimari paneller için veri odaklı tasarım çerçevesi
ÖMER KASIM KAROUT
Yüksek Lisans
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL AKÇAY KAVAKOĞLU