Makine öğrenmesi yöntemleri ile arı alt türlerinin sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2018
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu araştırmada arı kanatları üzerindeki kavşak noktalarına göre arı türlerinin sınıflandırılması amaçlanmıştır. Beş farklı il/ilçe 'den alınan arı kanat resimleri üzerinde kavşak noktaları belirlenmiştir. Arı kanatları üzerinde kavşak noktalarının belirlenmesi işleminin minimum hata ile yapılması ve standart bir kavşak noktası seçimi için kavşak noktası seçim algoritması önerilmiştir. Kavşak noktaları kullanılarak açı, uzunluk, indeks ve alan bilgileri içeren 27 morfolojik özellik çıkarılmıştır. Bu özellikler arasındaki sayısal farklılıkların giderilmesi ve iş yükünün azaltılması için verilere normalizasyon işlemi uygulanmıştır. Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA), K-Ortalama (K-Means) ve K-en Yakın Komşu (KNN) algoritmaları, sınıflandırma yöntemi olarak kullanılmıştır. Veri boyutunu azaltmak için Kaba Kuvvet Yöntemi (BFM) , İleri Sıralı Seçim (SFS) ve Lineer Discirimant Analiz (LDA) yöntemlerinden yararlanılmıştır. Arı alt türlerinin sınıflandırılmasında en yüksek başarı, K-Means yöntemi ile %50, DVM yöntemi ile % 71, KNN yönteminde ile %55,3 ve YSA ile %82,7 olarak gözlemlenmiştir. Kavşak noktaları için önerilen algoritmanın kullanıldığı ve kullanılmadığı durumlardaki başarı oranları, boyut indirgeme yöntemlerinin kullandığı ve kullanılmadığı durumlardaki başarı oranları incelenmiştir. Görüntüler üzerindeki kavşak noktalarının seçimi, özellik çıkarma ve verilerin sınıflandırılmasında MATLAB© programı kullanılmıştır.
In this research, it is aimed to classify the bee species according to the intersection points on the bee wings. The intersection points on the pictures of bee wings taken from five different country / districts have been determined. The intersection point selection algorithm is proposed for the determination of intersection points on bees' wings with minimum error and for selecting a standard intersection point. Using the intersection points, 27 morphological features including angle, length and area information were extracted. The normalization process has been applied to eliminate numerical differences between these features and to reduce workload. Support Vector Machines (SVM), Artificial Neural Networks (ANN), K-Means (K-Means) and K-Nearest Neighbors (KNN) algorithms were used as the classification method. Brute Force Method (BFM), Forward Sequential Selection(SFS) and Linear Discrimant Analysis (LDA) methods were used to reduce the data size. The highest success rate in the classification of bee subspecies was 50% with K-Means, 71% with SVM, 55,3% with KNN and 82,7% with ANN. The success rates of the proposed and unused algorithms for intersection points and the success rates of cases where size reduction methods are used or not are examined. The selection of the intersection points on the images, feature extraction and the classification of data, MATLAB© program is used.
In this research, it is aimed to classify the bee species according to the intersection points on the bee wings. The intersection points on the pictures of bee wings taken from five different country / districts have been determined. The intersection point selection algorithm is proposed for the determination of intersection points on bees' wings with minimum error and for selecting a standard intersection point. Using the intersection points, 27 morphological features including angle, length and area information were extracted. The normalization process has been applied to eliminate numerical differences between these features and to reduce workload. Support Vector Machines (SVM), Artificial Neural Networks (ANN), K-Means (K-Means) and K-Nearest Neighbors (KNN) algorithms were used as the classification method. Brute Force Method (BFM), Forward Sequential Selection(SFS) and Linear Discrimant Analysis (LDA) methods were used to reduce the data size. The highest success rate in the classification of bee subspecies was 50% with K-Means, 71% with SVM, 55,3% with KNN and 82,7% with ANN. The success rates of the proposed and unused algorithms for intersection points and the success rates of cases where size reduction methods are used or not are examined. The selection of the intersection points on the images, feature extraction and the classification of data, MATLAB© program is used.
Açıklama
YÖK Tez No: 488049
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
