Evrişimsel sinir ağları ile kelebek türlerinin tespiti
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Kelebek türlerinin sınıflandırılması, ekosistemlerin sağlığını ve sürdürülebilirliğini korumak, çevresel değişiklikleri izlemek, bilimsel araştırmaları desteklemek ve koruma çabalarına yön vermek açısından kritik bir rol oynar. Bu nedenle, kelebeklerin doğru ve hızlı bir şekilde tanımlanması, doğa koruma ve çevre yönetimi çalışmalarının önemli bir parçasıdır. Bu bağlamda yapılan çalışmada Türkiye'de yaygın olarak görülen 49 farklı kelebek türüne ait 5624 görüntüden oluşan bir veri seti hazırlanmıştır. Veriler Train-Validation-Test Split yöntemiyle bölünmüş, ardından sekiz farklı Evrişimli Sinir Ağı kullanılarak öğrenme aktarımı yöntemi ile eğitilmiş, son olarak bu ağların doğruluk, kayıp, kesinlik, duyarlılık ve F1-skoru değerlendirme kriterleri karşılaştırılmıştır. İlk yöntemde ağların kendi içinde yer alan katmanlar kullanılmış sadece sonuna sınıflandırma katmanı eklenmiştir. İkinci yöntemde ise ağların kendi katmanlarına ek olarak yeni katmanlar eklenerek ağların öğrenmesinin iyileştirilmesi amaçlanmıştır. Bu bağlamda sekiz ağ incelendiğinde test görüntüleri üzerinde en başarılı sonuçları veren ağın katman eklemesiz yöntemde %91,09 oranı ile DenseNet201 ağında elde edilirken, katman eklenerek yapılan yöntemde bu oran %94,33 ile DenseNet201 ağı olmuştur. Ağ sonuçları incelendiğinde ikinci yöntem sonunda DenseNet201 test için ayrılan 247 görüntünün 233 adetinin sınıfını doğru tahmin etmeyi başarmıştır.
The classification of butterfly species plays a critical role in preserving the health and sustainability of ecosystems, monitoring environmental changes, supporting scientific research, and guiding conservation efforts. Therefore, the accurate and rapid identification of butterflies is an essential part of nature conservation and environmental management efforts. In this context, a study was conducted to prepare a dataset consisting of 5624 images of 49 different butterfly species commonly found in Turkey. The data was split using the Train-Validation-Test Split method, then trained using eight different Convolutional Neural Networks (CNNs) through transfer learning, and finally, these networks were compared based on accuracy, loss, precision, recall, and F1-score evaluation criteria. In the first method, only the classification layer was added to the existing layers of the networks. In the second method, new layers were added to the networks in addition to their existing layers to improve learning. In this context, when eight networks were examined, the network that produced the most successful results on test images was DenseNet201 with a rate of 91,09% in the method without added layers, while in the method with added layers, this rate was 94,33% with the DenseNet201 network. Upon examining the network results, it was found that the second method successfully predicted the class of 233 out of the 247 images set aside for testing.
The classification of butterfly species plays a critical role in preserving the health and sustainability of ecosystems, monitoring environmental changes, supporting scientific research, and guiding conservation efforts. Therefore, the accurate and rapid identification of butterflies is an essential part of nature conservation and environmental management efforts. In this context, a study was conducted to prepare a dataset consisting of 5624 images of 49 different butterfly species commonly found in Turkey. The data was split using the Train-Validation-Test Split method, then trained using eight different Convolutional Neural Networks (CNNs) through transfer learning, and finally, these networks were compared based on accuracy, loss, precision, recall, and F1-score evaluation criteria. In the first method, only the classification layer was added to the existing layers of the networks. In the second method, new layers were added to the networks in addition to their existing layers to improve learning. In this context, when eight networks were examined, the network that produced the most successful results on test images was DenseNet201 with a rate of 91,09% in the method without added layers, while in the method with added layers, this rate was 94,33% with the DenseNet201 network. Upon examining the network results, it was found that the second method successfully predicted the class of 233 out of the 247 images set aside for testing.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Derin Öğrenme, Evrişimli Sinir Ağları, Kelebek Türlerinin Sınıflandırılması, Makine Öğrenmesi, Öğrenme Aktarımı, Butterfly Species Classification, Convolutional Neural Networks, Deep Learning, Machine Learning, Transfer Learning
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Özdemir, M. S. (2024). Evrişimsel sinir ağları ile kelebek türlerinin tespiti. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Konya.
