Mobil ve web uygulama ile derin öğrenmeye dayalı tohum sınıflandırması
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tarımsal üretimde tohum kalitesi önemli bir faktördür. Son zamanlarda, tarım sektöründe üretkenliği arttırabilmek için gelişmiş teknolojilere ihtiyaç duyulmaktadır. Yapay zeka çalışmalarının tarım sektörüne dahil edilmesi bu ihtiyacın bir sonucu olarak ortaya çıkmıştır. Bazı tohumlar yapısı gereği küçüktür ve türler arasındaki farklılıkları tanımlayıp sınıflandırmak zordur. Geleneksel yöntemde, bu farklılıkları tanımlayıp sınıflandırmak uzmanlar tarafından morfolojik yapı, şekil, doku ve rengi göz önünde bulundurularak karar verilmektedir. Bu yöntemde sınıflandırma işlemi maliyetli, öznel ve zaman alıcı olduğu için tohum türlerini hızlı ve doğru bir şekilde tespit edebilen otomatik bir sistem geliştirilmesi gerekmektedir. Bu çalışmada, derin öğrenme tekniklerinden CNN kullanılarak hızlı bir şekilde tohum görüntülerini yüksek doğrulukta tespit eden ve sınıflandıran bir mobil uygulama ve web uygulaması geliştirilmiştir. Yaygın olarak bilinen 15 çeşit tohum görüntüsünden oluşan bir veri seti oluşturularak eğitim işlemi yapılmıştır. InceptionV3, Xception ve InceptionResNetV2 modellerinde %99 doğruluk, ResNet50 modelinde %98 doğruluk elde edilmiştir. Yüksek doğrulukta çalışan modelin mobil ortamda ve web ortamında çalışması sağlanmıştır. Ayrıca mobil uygulama sayesinde kullanıcıya tanımlanan tohumun morfolojik özellikleri ve kullanımı hakkında detaylı bilgiler verilmesi sağlanmıştır.
Seed quality is an essential factor in agricultural production. In the recent years, advanced technologies are needed to increase productivity in the agricultural sector. The contribution of artificial intelligence studies in the agricultural sector has emerged because of this need. Some seeds are small in nature and it is difficult to identify and classify differences between species. In the traditional method, it is decided by experts to define and classify these differences, considering the morphological structure, shape, texture and color. This method involves a classification process that is costly, subjective and time confusing, what makes it necessary to develop a process that can automatically detect the type of seeds. In this study, a mobile application and web application has been developed that quickly detects and classifies seed images with high accuracy using CNN, one of the deep learning techniques. The training process was carried out by creating a dataset consisting of 15 widely known seed images. InceptionV3, Xception and InceptionResNetV2 models achieved 99% accuracy, and ResNet50 model 98% accuracy. The model, which works with high accuracy has been enabled to work in mobile and web environments. In addition, thanks to the mobile application, detailed information about the morphological characteristics and use of the seed identified was provided to the user.
Seed quality is an essential factor in agricultural production. In the recent years, advanced technologies are needed to increase productivity in the agricultural sector. The contribution of artificial intelligence studies in the agricultural sector has emerged because of this need. Some seeds are small in nature and it is difficult to identify and classify differences between species. In the traditional method, it is decided by experts to define and classify these differences, considering the morphological structure, shape, texture and color. This method involves a classification process that is costly, subjective and time confusing, what makes it necessary to develop a process that can automatically detect the type of seeds. In this study, a mobile application and web application has been developed that quickly detects and classifies seed images with high accuracy using CNN, one of the deep learning techniques. The training process was carried out by creating a dataset consisting of 15 widely known seed images. InceptionV3, Xception and InceptionResNetV2 models achieved 99% accuracy, and ResNet50 model 98% accuracy. The model, which works with high accuracy has been enabled to work in mobile and web environments. In addition, thanks to the mobile application, detailed information about the morphological characteristics and use of the seed identified was provided to the user.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
