Derin öğrenme yaklaşımı ile fındık meyvesinin sınıflandırılması

Abstract

Bilgi teknolojileri alanında yaşanan gelişmeler sayesinde insan hayatına etki eden yeni teknolojilerin ortaya çıkışı da hızlanmıştır. Özellikle son 10 yılda çok hızlı bir gelişme ve ilerleme sağlanan derin öğrenme teknolojisi, sağlık, haberleşme, günlük yaşam, tarım gibi birçok farklı alanda hayatın içine dahil olmuştur. Derin öğrenmenin son yıllarda tarımsal faaliyetlerle entegre edilmesi oldukça popüler bir yaklaşımdır. Bu tez çalışmasında fındıkların kalitesine göre sınıflandırılması işleminde derin öğrenme algoritmalarından yararlanılmaktadır. Derin öğrenme için gerekli olan veri seti uzman bir kişi tarafından oluşturulmuş ve etiketlenmiştir. Veri seti üç farklı sınıftan toplam 15770 görüntüden oluşmaktadır. Çalışma için derin öğrenme modellerinden VGG16, InceptionV3 ve Resnet50 olmak üzere üç farklı model kullanılmaktadır. Modellerin fındık veri setindeki başarıları karşılaştırılmıştır. Sonuçta VGG16 modeli %99’a yakın bir başarı, Inceptionv3 modeli %96’dan biraz fazla bir başarı ve Resnet50 modeli de %89’a yakın bir doğruluk başarısına ulaşmıştır. Çalışmanın ikinci aşamasında ise veri setindeki veri sayısının modellerin başarısına etkisi incelenmektedir. Veri seti kademeli olarak %50, %25 ve %10 oranında azaltılmıştır. Veri setinin boyutunun küçültülmesi ile modellerin başarısında önemli bir düşüş gözlenmiştir. Veri setinin %10’u kullanıldığında VGG16’nın başarısı %88’e, InceptionV3’ün başarısı %72’ye ve Resnet50’nin başarısı da %56 ya düştüğü tespit edilmiştir.

Thanks to the developments in the field of information technologies, the emergence of new technologies that affect human life has also accelerated. Especially in the last 10 years, deep learning technology, which has made a very rapid development and progress, has been included in many different areas such as health, communication, daily life and agriculture. Integrating deep learning with agricultural activities is a very popular approach in recent years. In this thesis, deep learning algorithms are used in the classification of hazelnuts according to their quality. The data set required for deep learning was created and labeled by an expert. The data set consists of a total of 15770 images from three different classes. Three different models of deep learning, VGG16, InceptionV3, and Resnet50, are used for the study. The success of the models in the hazelnut dataset was compared. As a result, the VGG16 model achieved an accuracy of close to 99%, the Inceptionv3 model achieved a success of just over 96%, and the Resnet50 model achieved an accuracy of close to 89%. In the second stage of the study, the effect of the number of data in the data set on the success of the models is examined. The dataset is gradually reduced to 50%, 25% and 10%. It was observed that the success of the models decreased significantly with the reduction of the data set. When 10% of the data set is used, the success of VGG16 drops to 88%, the success of InceptionV3 to 72%, and the success of Resnet50 to 56%.