Balina optimizasyon algoritması ile derin öğrenme algoritmalarının performansının artırılması

Bu doktora tezinde, görüntü sınıflandırma ve nesne tespiti problemlerinde derin öğrenme modellerinin performansını artırmak amacıyla görüntü artırma, öznitelik çıkarımı ve model optimizasyonu bütünleşik bir çerçevede ele alınmıştır. Bu kapsamda, kenar bilgisine dayalı Balina Optimizasyon Algoritması (BOA) tabanlı bir görüntü artırma yöntemi geliştirilmiştir. Önerilen yaklaşımda, görüntü içeriğine en uygun çekirdek filtre metasezgisel optimizasyonla belirlenmiş, bu filtre ile gerçekleştirilen kenar tespiti çıktıları kullanılarak sentetik örnekler üretilmiştir. Elde edilen sonuçlar, dengesiz veri setlerinde sınıflandırma doğruluğunun \%74,6'dan \%98'e yükseldiğini ve kenar tespiti performansının karşılaştırmalı yöntemlere kıyasla iyileştiğini göstermektedir. Ayrıca, popülasyon çeşitliliğini kosinüs benzerliği temelli bir ölçüm mekanizmasıyla koruyan Geliştirilmiş Balina Optimizasyon Algoritması (GBOA) önerilmiştir. GBOA, öznitelik çıkarımı ve sınıflandırma bileşenlerinin hiperparametre ve model parametrelerinin optimize edilmesinde kullanılarak bütünleşik bir Çilek Tespit Sistemi'nin geliştirilmesini sağlamıştır. Önerilen sistem, çilek olgunluk tespitinde \%98,23 doğruluk oranına ulaşarak yüksek performans sergilemiştir. Anahtar Kelime: Hücresel yapay sinir ağları = Cellular artificial neural networks ; Parametre optimizasyonu = Parameter optimization

This doctoral dissertation presents an integrated framework that combines image augmentation, feature extraction, and model optimization to improve the performance of deep learning models for image classification and object detection tasks. Within this framework, an edge-informed Whale Optimization Algorithm (WOA)-based image augmentation method is developed. In the proposed method, the kernel filter best suited to image content is identified via metaheuristic optimization, and the resulting edge information is used to generate synthetic samples. Experimental results demonstrate that classification accuracy on imbalanced datasets increases from 74.6\% to 98\%, while edge detection performance surpasses that of the compared baseline approaches. In addition, an Improved Whale Optimization Algorithm (IWOA), which preserves population diversity through a cosine similarity-based mechanism, is introduced. The proposed IWOA is employed to optimize both hyperparameters and model parameters of the feature extraction and classification modules, leading to the development of an integrated Strawberry Detection System. The resulting system achieves 98.23\% accuracy in strawberry ripeness detection, indicating strong overall performance.