Geri Dön

Performance evaluation of RGB and NIR imaging in deep learning-based potato injury classification

Görüntü işleme teknikleri kullanılarak patateslerdeki mekanik zararların makine öğrenmesi tabanlı otomatik sınıflandırılması

PDF İndir

  1. Tez No: 983285
  2. Yazar: ABUBAKAR ABDULLAHI JOBE
  3. Danışmanlar: DOÇ. DR. DOÇ. DR. ZEYNEP ÜNAL, DOÇ. DR. DOÇ. DR. TEFİDE KIZILDENIZ GÜRBÜZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ziraat, Agriculture
  6. Anahtar Kelimeler: 1,3-diol sentezi, Bilgi işlem sektörü, 1,3 diol synthesis, Data processing sector
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Niğde Ömer Halisdemir Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bitkisel Üretim ve Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Tarım Bilimleri (disiplinlerarası) Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

This study developed a cost-efficient image classification system using DL techniques for the automated detection potato injuries. A total of 206 injured samples were gathered and imaged in a specially designed facility using a costom- built image capture box equipped with a high-speed 2.0 MP RGB webcam and a 5.0 MP NIR USB camera. Deep learning models, such as ResNet101, DenseNet121, Xception, VGG19, InceptionV3, and MobileNetV3, were applied for classification. The dataset was divided into three groups: 70% training, 15% validation, and 15% testing subsets, and hyperparameters such as batch size, epochs, and learning rate were optimized. MobileNetV3Large achieved an accuracy of 98.86% after fine-tuning, while DenseNet121, Xception, and InceptionV3 achieved classification results on NIR images (100% in accuracy, precision, recall, and F1-score), indicating superior reliability. The top performing RGB models DenseNet121, Xception, and InceptionV3 achived excellent result, each scoring 100% in accuracy, precision, recall and F1-score. Based on the research results, RGB imaging performs similarly to NIR for detecting potato injuries, with top models obtaining near-perfect accuracy and dependability. As a result, investing in expensive NIR equipment is unneeded. RGB-based solutions are a practical, economical, and precise option that reduces equipment costs while retaining great detection performance.

Özet (Çeviri)

Bu çalışma, patates yaralanmalarının otomatik tespiti için derin öğrenme (DL) teknikleri kullanılarak maliyet açısından verimli bir görüntü sınıflandırma sistemi geliştirmiştir. Sınıflandırma için ResNet101, DenseNet121, Xception, VGG19, Veriler %70 eğitim, %15 doğrulama ve %15 test olmak üzere üç gruba ayrılmış; batch boyutu, epoch sayısı ve öğrenme oranı gibi hiperparametreler optimize edilmiştir. MobileNetV3Large ince ayar sonrası %98,86 doğruluk elde etmiş, ancak DenseNet121, Xception ve InceptionV3 modelleri NIR görüntüler üzerinde (doğruluk, kesinlik, duyarlılık ve F1-skorunda %100) mükemmel sonuçlar elde ederek daha üstün bir güvenilirlik sergilemiştir En iyi performans gösteren RGB modelleri DenseNet121, Xception ve InceptionV3, her biri doğruluk, hassasiyet, geri çağırma ve F1 puanında %100 puan alarak mükemmel sonuçlar elde etti. Araştırma sonuçlarına göre, RGB görüntüleme, patates yaralanmalarını tespit etmede NIR'ye benzer bir performans sergiliyor ve en iyi modeller neredeyse mükemmel doğruluk ve güvenilirlik sağlıyor. Sonuç olarak, pahalı NIR ekipmanlarına yatırım yapmak gereksiz. RGB tabanlı çözümler, ekipman maliyetlerini düşürürken mükemmel tespit performansını koruyan pratik, ekonomik ve hassas bir seçenektir.

Benzer Tezler

  1. Tez No

    985121

    Makarnalık buğdaylarda sensör, iklim ve bitki özelliklerine dayalı azotoptimizasyonu ve verim tahmininin farklı algoritmaları ile modellenmesi

    Modeling nitrogen optimization and yield prediction in durum wheat using multi-source sensor, climate, and plant trait data through advanced machine learning algorithms

    SÜREYYA BETÜL RUFAİOĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    ZiraatHarran Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. ALİ VOLKAN BİLGİLİ

  2. Tez No

    442183

    Performance evaluation of saliency map methods on remotely sensed RGB images

    Uzaktan algılanmış RGB görüntülerinde dikkat çekerlik haritası metotlarının performans değerlendirmesi

    SELEN SÖNMEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    CoğrafyaOrta Doğu Teknik Üniversitesi

    Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. UĞUR HALICI

  3. Tez No

    618930

    Performance assessment of physiotherapy and rehabilitation exercises with deep learning

    Derin öğrenme ile fizyoterapi ve rehabilitasyon egzersizleri için performans değerlendirme

    İLHAN AYTUTULDU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TARKAN AYDIN

  4. Tez No

    997275

    Fusion of RGB and thermal image pairs for object and face liveness detection

    Nesne ve yüz canlılığı tespiti için RGB ve termal görüntü çiftlerinin birleştirilmesi

    MERVE ERŞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN AKGÜL

  5. Tez No

    959669

    TUM-RGBD derinlik görüntülerinin Gaussian Splat tabanlı (SPLATAM) medyan filtresi optimizasyonu ile 3B rekonstrüksiyon performansının artırılması

    Enhancing 3D reconstruction performance of TUM-RGBD depth images using Gaussian Splat-based (SPLATAM) median filter optimization

    CEMİL ZEYVELİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ FURKAN KAMANLI

Geri Dön