Derin öğrenme yöntemi kullanarak tarımda verimliliği arttıran yeni bir hibrit model
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde tarım ürünlerinin üretimi ve bu üretimin devamlılığının sağlanması çok kritik bir öneme sahiptir. Bununla birlikte üretim aşamasındaki ürünlerin verimliliği çok önemlidir. Ürün veriminin yüksek olması çiftçinin ürün ve mali kaybını azaltacağı gibi tüketiciye de kaliteli ürün sağlayacaktır. Son yıllarda gelişen teknoloji ile birlikte tarım ürünlerinin verimliliğinin belirlenmesinde makine öğrenmesi ve derin öğrenme modelleriyle çalışmalar yapılmaktadır. Bu tez çalışmasında tarım ürünlerinin kalitesine göre verimliliğinin sınıflandırılması amacıyla derin öğrenme tabanlı yeni bir hibrit model tasarlanmıştır. Tasarlanan hibrit modelde bir derin öğrenme modeli olan CNN ile öznitelikleri çıkartılan görüntüler makine öğrenmesi modelleri ile sınıflandırılmıştır. Böylece en iyi hibrit model belirlenmiştir. Çalışma için Elma Veri Kümesi ve FruitsGB Veri Kümesi olmak üzere iki farklı veri kümesi kullanılmıştır. Elma Veri Kümesi dört farklı veri kümesi senaryosuna (Dataset_A, Dataset_B, Dataset_C, Dataset_D) ve aynı şekilde FruitsGB veri kümesi dört farklı veri kümesi senaryosuna (Meyve_A, Meyve_B, Meyve_C, Meyve_D) ayrılmıştır. Tüm modeller için doğruluk, hassasiyet, özgüllük, kesinlik, F1 skoru, dengeli doğruluk, Kappa skoru incelenmiş ve ROC analizleri yapılmıştır. Elma Veri Kümesi için en iyi sonucu veren hibrit model, %99,80 doğruluk oranı CNN-SVM (lineer) modeli ile Dataset_C veri kümesi senaryosunda elde edilmiştir. FruitsGB Veri Kümesi için en iyi sonucu veren hibrit model, %99,30 doğruluk oranı CNN-SVM (rbf) modeli ile Meyve_C veri kümesi senaryosunda elde edilmiştir. Çalışmanın sonuçlarına bakıldığında hibrit modelin etkili sonuçlar ortaya koyduğu gözlemlenmiştir.
Today, the production of agriculture products and ensuring its continuity are of critical importance. Additionally, the productivity of the products during the production stage is highly significant. A high yield of the product will not only reduce the farmer's product and financial loses but also provide quality products to the consumers. With the advancements in technology in recent years, studies have been conducted utilizing machine learning and deep learning models to determine the productivity of agricultural products. In this study, a new hybrid model based on deep learning was designed to assess the productivity of agricultural products based on their quality. The designed hybrid model involves extracting feature images using CNN, a deep learning model, and classifying them with machine learning methods. Consequently, the optimal hybrid model was determined. For this study, two different datasets were used: Elma Veri Kümesi and FruitsGB. Elma Veri Kümesi is divided into four different dataset scenarios (Dataset_A, Dataset_B, Dataset_C, Dataset_D), and the FruitsGB Dataset is divided into four different dataset scenarios (Meyve_A, Meyve_B, Meyve_C, Meyve_D). Accuracy, precision, sensitivity, specificity, F1 score, balanced accuracy and Kappa scores and ROC analysis were performed for all dataset scenarios. The designed hybrid model, which achieved the highest accuracy rate of 99.80%, was obtained in the Dataset_C scenario using CNN-SVM (linear) model in Elma Veri Kümesi. The designed hybrid model, which achieved the highest accuracy rate of 99.30%, was obtained in the Meyve_C dataset using CNN-SVM (rbf) model in FruitsGB Dataset. Considering the results of the study, the hybrid model exhibited effective outcomes.
Today, the production of agriculture products and ensuring its continuity are of critical importance. Additionally, the productivity of the products during the production stage is highly significant. A high yield of the product will not only reduce the farmer's product and financial loses but also provide quality products to the consumers. With the advancements in technology in recent years, studies have been conducted utilizing machine learning and deep learning models to determine the productivity of agricultural products. In this study, a new hybrid model based on deep learning was designed to assess the productivity of agricultural products based on their quality. The designed hybrid model involves extracting feature images using CNN, a deep learning model, and classifying them with machine learning methods. Consequently, the optimal hybrid model was determined. For this study, two different datasets were used: Elma Veri Kümesi and FruitsGB. Elma Veri Kümesi is divided into four different dataset scenarios (Dataset_A, Dataset_B, Dataset_C, Dataset_D), and the FruitsGB Dataset is divided into four different dataset scenarios (Meyve_A, Meyve_B, Meyve_C, Meyve_D). Accuracy, precision, sensitivity, specificity, F1 score, balanced accuracy and Kappa scores and ROC analysis were performed for all dataset scenarios. The designed hybrid model, which achieved the highest accuracy rate of 99.80%, was obtained in the Dataset_C scenario using CNN-SVM (linear) model in Elma Veri Kümesi. The designed hybrid model, which achieved the highest accuracy rate of 99.30%, was obtained in the Meyve_C dataset using CNN-SVM (rbf) model in FruitsGB Dataset. Considering the results of the study, the hybrid model exhibited effective outcomes.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
