Köklü, MuratÇınar, İlkay2020-11-092020-11-0920192019-12-24Çınar, İ. (2019). Yapay Zeka Teknikleri Kullanılarak Pirinç Çeşitlerinin Sınıflandırılması. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.https://hdl.handle.net/20.500.12395/40565Dünya genelinde üretim ve tüketim değerleri en fazla olan tahıl ürünleri grubundan pirinç, ülkemizde de ekonomik ve besleyici olması açısından ana besin maddeleri arasında yerini almaktadır. Pirinç, tarladan sofralara gelinceye kadar bazı üretim aşamalarından geçmektedir. Bu aşamalardan temizleme, pirincin istenmeyen maddelerden ayrıştırılmasıdır. Sınıflandırma aşamasında sağlam olanlar ile kırık olanlar ayrıştırılır ve boylama işlemleri gerçekleştirilir. Son olarak renklere göre ayıklama aşamasında ise pirinç tanesi yüzeyinde bulunan beyazlık dışındaki çizgili ve lekeli olanların ayrıştırılması işlemi gerçekleştirilir. Bu tez çalışmasında, morfolojik, şekil ve renk özellikleri kullanılarak sınıflandırma işlemlerinin gerçekleştirilmesi için aynı markaya ait beş farklı pirinç çeşidi seçilmiştir. Her pirinç çeşidine ait 15 bin adet olmak üzere toplam 75 bin adet pirinç tanesi görüntüsü elde edilmiştir. Görüntüler, MATLAB yazılımı kullanılarak ön işlemlerden geçirilmiş ve özellik çıkarımına hazırlanmıştır. Görüntülerden, 12 adet morfolojik özellik, morfolojik özellikler kullanılarak elde edilen 4 adet şekil özelliği de eklenerek toplam 16 özellik, beş farklı renk uzayından elde edilen 90 adet renk özellikleri ile son olarak morfolojik, şekil ve renk özellikleri bir arada kullanılarak 106 adet özellik çıkarımı yapılmıştır. Sınıflandırma için, yapay zeka tekniklerinden k-en yakın komşu, karar ağacı, lojistik regresyon, çok katmanlı algılayıcı, rastgele orman ve destek vektör makineleri algoritmaları ile modeller oluşturularak 12, 16, 90 ve 106 adet olan özellik kümeleri için performans ölçüm değerleri elde edilmiştir. Modeller içerisinde ortalama sınıflandırma doğruluğu en yüksek olan algoritmaların başarıları, morfolojik özellikler için rastgele orman algoritması ile %97.99, morfolojik ve şekil özelliklerinin bir arada kullanıldığı özellikler için rastgele orman algoritması ile %98.04, renk özellikleri için lojistik regresyon algoritması ile %99.25, son olarak morfolojik, şekil ve renk özelliklerinin birlikte kullanıldığı özellikler için çok katmanlı algılayıcı algoritması ile %99.91 olarak elde edilmiştir. Sonuçlar incelendiğinde eklenen her yeni özellik ile sınıflandırma başarılarının arttığı görülmektedir. Elde edilen performans ölçüm değerlerine bakıldığında çalışmanın pirinç çeşitlerini sınıflandırmada başarıya ulaştığını söylemek mümkündür.Rice, which has the highest production and consumption values in the worldwide, is among the main nutrients in terms of being economical and nutritious in our country as well. Rice goes through some stages of production from the field to the dinner tables. The cleaning phase is the separation of rice from unwanted substances. During the classification phase, solid ones and broken ones are separated and calibration operations are performed. Finally, in the process of extraction according to the colors, the striped and stained ones other than the whiteness on the surface of the rice grain are separated. In this thesis, five different varieties of rice belonging to the same trademark were selected to carry out classification operations using morphological, shape and color features. A total of 75 thousand rice grain images, including 15 thousand for each varieties, were obtained. The images were pre-processed using MATLAB software and prepared for feature extraction. 12 morphological features, using a combination of 12 morphological and 4 shape features a total of 16 features, 90 color features obtained from five different color spaces and finally using a combination of morphological, shape and color features 106 features were inferred from the images. For classification, from machine learning techniques k-nearest neighbor, decision tree, logistic regression, multilayer perceptron, random forest and support vector machines with algorithms, models were created. With these models, performance measurement values were obtained for feature sets of 12, 16, 90 and 106. Among the models, the success of the algorithms with the highest average classification accuracy was achieved 97.99% with random forest for morphological features. 98.04% were obtained with random forest for morphological and shape features. It was achieved with logistic regression as 99.25% for color features. Finally, 99.91% was obtained with multilayer perceptron for morphological, shape and color features. When the results are examined, it is observed that with each new feature added, the success of classification increases. Based on the performance measurement values obtained, it is possible to say that the study achieved success in classifying rice varieties.trinfo:eu-repo/semantics/openAccessGörüntü işlemeyapay zeka tekniklerimorfolojik özelliklerColor featuresimage processingmachine learning techniquesMaster Thesis