1 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 1 / 1
Öğe Derin öğrenme metotları ile asma yapraklarının sınıflandırılması(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2024-09-17) Akdoğan, Berivan; Sezgin, NecmettinÖzellikle yaprak hastalıklarının erken teşhisi, verimliliği artırmak ve ürün kalitesini korumak için kritik bir öneme sahiptir. Geleneksel yöntemler bu süreçte yetersiz kalabilirken, derin öğrenme teknikleri yüksek doğruluk ve hız sağlayarak etkili çözümler sunmaktadır. Bu tez çalışmasında, 8 farklı asma türünden elde edilen toplam 4000 asma yaprağı görüntüsünü sınıflandırmak amacıyla derin öğrenme modelleri kullanılmıştır. Araştırmanın temel amacı, bu yaprak görüntülerini en yüksek doğrulukla sınıflandırabilecek modeli belirlemek ve tarımsal uygulamalarda kullanılabilecek bir sınıflandırma sistemi geliştirmektir. Çalışmada, ResNet50, ResNet101, ResNet152, MobileNet, Xception ve DenseNet169 modelleri kullanılarak performans karşılaştırmaları yapılmıştır. Öncelikle asma yaprağı görüntüleri çeşitli ön işleme adımlarından geçirilerek veri seti oluşturulmuştur. Ardından bu veri seti, her bir model ile ayrı ayrı eğitilmiş ve değerlendirilmiştir. Modellerin performansı; doğruluk, eğitim süresi ve model karmaşıklığı gibi kriterler göz önünde bulundurularak analiz edilmiştir. Deneysel sonuçlar, ResNet101 modelinin %88 doğruluk oranı ile en yüksek performansı sergilediğini, ancak 17 saatlik eğitim süresi ile uzun bir süreyi gerektirdiğini göstermiştir. Xception modeli %86 doğruluk oranı ile ResNet101 modeline yakın performans sunmuş ve ayrıca 10 saatlik işlem süresinin dikkate değer olduğu için tercih edilebileceği anlaşılmıştır. MobileNet modeli ise %80 doğruluk oranı ve daha hızlı (2 saat 20 dakika) sonuçlar üretmiş, bu da onu gerçek zamanlı uygulamalar için uygun hale getirmiştir. DenseNet169 modeli ise %73 doğruluk oranı ile en düşük performansı sergilemiştir. Bu bulgular, derin öğrenme modellerinin asma yaprağı sınıflandırmasında etkili bir şekilde kullanılabileceğini ve doğru model seçiminin hem doğruluk hem de verimlilik açısından kritik olduğunu ortaya koymaktadır. Gelecekteki çalışmalarda, literatürde yer alan farklı sinir ağı modelleri ile başarı oranının artırılması ve görüntü işleme tekniklerinin geliştirilmesi hedeflenmektedir. Ayrıca en yüksek doğruluğa sahip model temel alınarak tarımsal üreticiler ve tüketiciler için pratik bir mobil uygulama geliştirilmesi planlanmaktadır.
