3 results
Search Results
Now showing 1 - 3 of 3
Master Thesis Kolektif Derin Öğrenme ve Transfer Öğrenme Yoluyla Mahsul ve Meyve Sınıflandırması(2023) Daşkın, Zeynep Dilan; Khan, Muhammad UmerSon yıllarda yapılan teknolojik gelişmeler, tarım sektörünü hızlı bir şekilde yeniden şekillendirerek, daha önce kullanılmakta olan geleneksel metotlarda devrim yaratıyor ve insanlık için daha sürdürülebilir ve üretken bir geleceğin yolunu açıyor. Tarım sektörü, makine öğrenmesi, sensor ve mekanizmaları kullanarak otomatikleşirken, aynı zamanda verimlilik artımı, kaynak yönetimi ve mahsul sağlığı açısından da köklü bir değişim yaşıyor. Bu tez çalışmasında, son teknoloji makine öğrenimi tabanlı görüntü işleme teknikleri ve algoritmaları kapsamlı bir şekilde araştırılmış ve analiz edilmiştir. Amaç, çeşitli mahsulleri, meyveleri ve sebzeleri doğru bir şekilde tespit eden, tanımlayan ve sınıflandıran sağlam metodolojiler geliştirmektir. Nihai hedef, gelişen tarımsal otomasyon endüstrisine önemli ölçüde katkıda bulunmak, süreçleri kolaylaştırmak ve tarım sektöründe verimliliği arttırmaktır. Gerçek yaşam koşullarına en yakın sonuçları elde etmek için, yazarların kendi oluşturduğu mahsul veri kümeleri bu araştırma boyunca önerilen algoritmalara entegre edilmiş ve kullanılmıştır. Bu çalışma sırasında kullanılan mevcut Evrişimsel Sinir Ağları algoritmaları AlexNet, GoogleNet, InceptionV3, SqueezeNet, DenseNet ve VGG-16'dır. Bu çalışmada, doğruluk, kayıp, F1-skoru, tahmin, kesinlik ve duyarlılık olmak üzere genel değerlendirme metriklerinin performansını yükseltmek için çeşitli gelişmiş algoritmalar araştırılmış ve incelenmiştir. Özellikle, tarımsal otomasyon sisteminin etkinliğini ve güvenilirliğini arttırmayı amaçlayan Kolektif Öğrenme ve Öğrenme Aktarımı adlı iki metot tanıtılmış ve kapsamlı bir şekilde analiz edilmiştir. Çalışmanın sonuçları, önerilen algoritmaların tarım endüstrisinde son derece etkili olduğunu ve istenen sonuçları benzersiz bir doğruluk ve hassasiyetle sunma yeteneklerini kanıtlamaktadır. Bu sonuçlar, bu algoritmaların operasyonel verimliliği önemli ölçüde arttırma, kaynak tahsisini optimize etme ve gelecek için tarımsal otomasyonda sürdürülebilir uygulamaları teşvik etme gibi potansiyellerini de göstermekte ve teyit etmektedir.Article Citation - WoS: 6Citation - Scopus: 6Ensemble Transfer Learning Using Maizeset: a Dataset for Weed and Maize Crop Recognition at Different Growth Stages(Elsevier Sci Ltd, 2024) Das, Zeynep Dilan; Alam, Muhammad Shahab; Khan, Muhammad Umer; Daşkın, Zeynep DilanMaize holds significant importance as a staple food source globally. Increasing maize yield requires the effective removal of weeds from maize fields, as they pose a detrimental threat to the growth of maize plants. In recent years, there has been a drive towards Precision Agriculture (PA), involving the integration of farming methods with artificial intelligence and advanced automation techniques. In the realm of PA, deep learning techniques present a promising solution for addressing the complex challenge of classifying maize plants and weeds. In this work, a deep learning method based on transfer learning and ensemble techniques is developed. The proposed method is implementable on any number of existing CNN models irrespective of their architecture and complexity. The developed ensemble model is trained and tested on our custom-built dataset, namely MaizeSet, comprising 3330 images of maize plants and weeds under varying environmental conditions. The performance of the ensemble model is compared against individual pre-trained VGG16 and InceptionV3 models using two experiments: the identification of weeds and maize plants, and the identification of the various vegetative growth stages of maize plants. VGG16 attained an accuracy of 83% in Experiment 1 and 71% in Experiment 2, while InceptionV3 showcased improved performance, boasting an accuracy of 98% in Experiment 1 and 81% in Experiment 2. With the proposed ensemble approach, VGG16 when combined with InceptionV3, achieved an accuracy of 90% for Experiment 1 and 80% for Experiment 2. The findings demonstrate that integrating a suboptimal pre-defined classifier, specifically VGG16, with a more proficient model like InceptionV3, yields enhanced performance across various analytical metrics. This underscores the efficacy of ensemble techniques in the context of maize classification and analogous applications within the agricultural domain.Article Strawberries Maturity Level Detection Using Convolutional Neural Network (cnn) and Ensemble Method(Computer Vision and Machine Learning in Agriculture, 2023) Daşkın, Zeynep Dilan; Khan, Muhammad Umer; İrfanoğlu, Bülent; Alam, Muhammad ShahabHarvesting high-quality products at an affordable expense has been the prime incentive for the agriculture industry. Automation and intelligent software technology is playing a pivotal role in achieving both practical and effective solutions. In this study, we developed a robust deep learning-based vision framework to detect and classify strawberries according to their maturity levels. Due to the unavailability of the relevant dataset, we built up a novel dataset comprising 900 strawberry images to evaluate the performance of existing convolutional neural network (CNN) models under complex background conditions. The overall dataset is categorized into three classes: mature, semi-mature, and immature. The existing classifiers evaluated during this study are AlexNet, GoogleNet, SqueezeNet, DenseNet, and VGG-16. To further improve the overall prediction accuracy, two Ensemble methods are proposed based on SqueezeNet, GoogleNet, and VGG-16. Based on the considered performance matrices, SqueezeNet is recommended as the most effective model among all the classifiers and networks for detecting and classifying the maturity levels of strawberries.
