Yazar "Arslan, Yakup" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    Çok yıllık bitki yapraklarının elektriksel özellikleri kullanılarak yapay zekâ yardımıyla tanımlanması
    (Düzce Üniversitesi, 2024) Arslan, Yakup; Gökşen, Kadir
    Yapay zeka algoritmaları Kısmi En Küçük Kareler Ayırım Analizi (PLS-DA), Destek Vektör Makinesi (SVM), k-En Yakın Komşu (KNN), Karar Ağacı (DT), Gauss Naif Bayes (GNB), Doğrusal Ayırım Analiz (LDA), Çok Katmanlı Algılayıcı (MLP), Rassal Orman (RF), Yapay Sinir Ağı (YSA) ve Tek Boyutlu Evrişimli Sinir Ağı (1D-CNN) kullanılarak çok yıllık bitkilerden Vitis vinifera, Prunus laurocerasus, Magnolia grandiflora, Tilia cordata, Corylus avellana ve Olea europaea' nın yapraklarında tahribatsız bir yöntem olan Elektriksel Empedans Spektroskopisi (EIS) ölçümlerinden elde edilen veriler kullanılarak bitki sınıflandırma modelleri oluşturulmuştur. EIS verilerinden iki veri seti oluşturulmuştur. Bunlardan biri empedans, diğeri empedans, empedansın imajiner kısmı ve faz açısından oluşan birleşik veridir. Bu veri kümeleri, her bir frekans için standart sapma sınırları içinde kalacak şekilde normal dağılım fonksiyonuna göre %20 oranında rastgele artırılarak iki yeni veri kümesi daha elde edilmiştir. Oluşturulan veri kümeleri ayrı ayrı kullanılarak her bir yapay zekâ yaklaşımı için modeller oluşturulmuştur. Toplamda oluşturulan 40 modelin 32 tanesi (PLS-DA, SVM, KNN, DT, GNB, LDA, MLP ve RF için dörder tane) için öncelikle çapraz doğrulama yapılmış, 8 tanesi için eğitim sürecinde ölçme ve değerlendirme yapılmıştır. Daha sonra tüm modeller orijinal verilerden rastgele oluşturulan standart veri setiyle sınanarak karmaşıklık matrisleri oluşturulmuştur. Karmaşıklık matrislerindeki verilerden yararlanılarak sınama doğruluğu, kesinlik, duyarlık ve F1 puanı hesaplanmıştır. SVM, DT, LDA, RF, ANN ve 1D-CNN modelleri, her bitki türünü ayırt etmede özellikle ümit verici sonuçlar göstermiştir. Eğitilen yapay zekâ modelleri arasında, arttırılmış birleşik veri ile eğitilen 1D-CNN modeli %99 doğruluk değeri ile en iyi model elde edilmiştir. Bu çalışmada elde edilen sonuçlar, bitki yapraklarının şekil ve renk bakımından benzerliklerine rağmen, EIS verilerini kullanarak çok yıllık bitkileri ayırt edebilen yapay zekâ uygulamalarının geliştirilebileceğini göstermektedir.