Bal Peteğindeki Hücrelerin Tespit Edilmesi İçin Derin Öğrenme Yaklaşımlarının Kullanılması
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bal peteğinin doğru yöntemler kullanılarak hasat edilmesi arıcılık faaliyetleri gerçekleştirenler ve ülkelerin
ekonomisi için büyük önem arz etmektedir. Bal hasatında doğru yöntemlerin kullanılmaması hem balın
üretim miktarını hem de kalitesini negatif etkileyecektir. Bilinçsiz arıcılık faaliyetleri doğal yaşamın
devamı için bir role sahip arıların kendi nesillerini devam ettirmelerine ket vurmaktadır. Bu tez
çalışmasında temel olarak arıcılıktan, arı kovanları ve peteklerinden, bir bal peteğindeki görüntülerin elde
etme yaklaşımından ve bu görüntülerin etiketlendirilmesinden bahsedilmiştir. Elde edilen etiketlenmiş
görüntülerin sınıflandırılması için kullanılabilecek metotlar ve değerlendirme teknikleri incelenmiştir.
Ayrıca bu tez çalışmasında, yedi sınıftan oluşan toplam 103.451 eğitim ve 25.863 test görüntüsü içeren bal
peteği veri seti oluşturulmuştur. Bu çalışmada bal peteğin sınıflandırması için derin öğrenme yaklaşımları
sunulmuştur. Derin öğrenme yaklaşımlarının başarısı probleme göre değişebilmektedir. Bu çalışmada,
önceden eğitilmiş CNN algoritmalarından, VGG16, VGG19, Inception-V3, AlexNet, self-structure CNN
ve iki derin sinir ağın birleşimi olan ağ (ResNet50V2+Xception) kullanılarak sınıflandırma yapılmıştır.
Sınıflandırma işleminin sonucunda en yüksek başarı oranı AlexNet algoritması ile %95 başarı oranı elde
edilmiştir.
Harvesting the honeycomb using the right methods is of great importance for the beekeeping activities and for the country's economy. Failure to use the right methods in honey harvest will negatively affect both the production quantity and quality of honey. Unconscious beekeeping activities prevent bees, which have a great role in the continuation of natural life, from continuing their own generation. In this thesis, it is mainly mentioned about beekeeping, beehives and honeycombs, the approach of obtaining images in a honeycomb and labeling these images. The methods and evaluation metrics that can be used for the classification of the obtained labeled images are examined. In addition, in this thesis study, a honeycomb data set containing a total of 103,451 training and 25,863 test images, consisting of 7 classes, was created as an example. Different deep learning algorithms (VGG16, VGG19, Inception-V3, AlexNet, SSCNN and ResNet50V2+Xception) were used for classification of honeycomb images. The success of deep learning approaches can vary according to the problem. Therefore, these deep learning architectures were run on the same dataset and compared according to the experimentally obtained results. As a result of the classification process, the highest success rate was obtained from AlexNet deep learning algorithm with 95%.
Harvesting the honeycomb using the right methods is of great importance for the beekeeping activities and for the country's economy. Failure to use the right methods in honey harvest will negatively affect both the production quantity and quality of honey. Unconscious beekeeping activities prevent bees, which have a great role in the continuation of natural life, from continuing their own generation. In this thesis, it is mainly mentioned about beekeeping, beehives and honeycombs, the approach of obtaining images in a honeycomb and labeling these images. The methods and evaluation metrics that can be used for the classification of the obtained labeled images are examined. In addition, in this thesis study, a honeycomb data set containing a total of 103,451 training and 25,863 test images, consisting of 7 classes, was created as an example. Different deep learning algorithms (VGG16, VGG19, Inception-V3, AlexNet, SSCNN and ResNet50V2+Xception) were used for classification of honeycomb images. The success of deep learning approaches can vary according to the problem. Therefore, these deep learning architectures were run on the same dataset and compared according to the experimentally obtained results. As a result of the classification process, the highest success rate was obtained from AlexNet deep learning algorithm with 95%.
Açıklama
Anahtar Kelimeler
Bal peteği görüntüsü, Derin öğrenme, Görüntü işleme, Sınıflandırma, Honeycomb image, Deep learning, Image processing, Classification
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Farahmand, M., (2022). Bal Peteğindeki Hücrelerin Tespit Edilmesi İçin Derin Öğrenme Yaklaşımlarının Kullanılması. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
