Farklı dalga boylu görüntülerle buğday sınıflandırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: DUYGU ZEYNEP DEMİREZ ÖRS
Danışman: EROL SEKE
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Buğday çeşitlerinin ve kalitelerinin değerlendirmesini kolaylaştırmada, başarısız olabilecek uzman görüşüne yardımcı olmak için çeşitli görüntüleme araçları ve teknikleri kullanılagelmiştir. Uzmanın kararından kaynaklanabilecek riskleri en aza indirmek için, etkili bir sınıflandırma çerçevesi gereklidir. Bu doğrultuda hazırlanan tez çalışması, hiperspektral buğday resimlerinin derin öğrenmeye dayalı sınıflandırılması için bir makine öğrenme sistemi sunmaktadır. Çalışmada iki farklı yöntem uygulanmıştır. İlk çalışmada, Görünür Yakın Kızılötesi (VNIR) kamera ile elde edilen hiperspektral buğday görüntüleri AlexNet modeli ile sınıflandırılmaya çalışılmıştır. Kullanılan sistem önceden eğitilmiş bir Evrişimsel Sinir Ağı (CNN) olan AlexNet' in FC6 ve FC7 özelliklerine dayanmaktadır. Bu çalışmada, ince ayar yaklaşımı göz önünde bulundurulduğunda, AlexNet modelinin son başlığı çıkarılmış ve buğday çeşitlerinin etiketlerini belirlemek için Destek Vektör Makinesi (SVM) sınıflandırıcısı kullanılmıştır. Sistem performansını değerlendirmek için, VNIR buğday görüntü veri seti, numune başına 220 görüntü içeren 50 buğday türü kullanılarak oluşturulmuştur. Doğrusal SVM sınıflandırıcısı ile FC6 ve FC7 özelliklerinde, sırasıyla %99,9695 ve %99,9637'lik ortalama doğruluk oranları elde edilmiştir. İkinci yöntemde ise, Görünür Işık (VL), VNIR ve Kısa Dalga boyu Kızılötesi (SWIR) görüntülemelerle birlikte geleneksel ve modern özellik çıkarma algoritmaları kullanılmıştır. BoW (Bag of Words) modeli geleneksel özellik çıkarma aracı ve CNN modeli modern özellik çıkarma aracı olarak ifade edilmiştir. Oy çokluğu kuralı, CNN ve BoW çerçevelerinin öngördüğü kararlar üzerine kurulmuştur. Oy çokluğu kuralıyla elde edilen doğruluk sonuçları, CNN ve BoW modeli için sırasıyla %99,94 ve %68,94 'tür. Deneysel sonuçlar, BoW özelliklerinin buğday taneleri gibi tekrarlanan doku modellerini temsil etmesi ve eşleştirmesi için uygun olmadığına işaret ederken, CNN özellikleri bu tür veri kümeleri için geleneksel yöntemlerden daha iyi performans sergileyebileceğini göstermektedir. Anahtar kelimeler: Buğday, Hiperspektral Buğday Sınıflandırması, VNIR Görüntüleme, SWIR Görüntüleme, RGB Görüntüleme, Görüntü Füzyonu, Derin Öğrenme