Çok yıllık bitki yapraklarının elektriksel özellikleri kullanılarak yapay zekâ yardımıyla tanımlanması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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.
Artificial intelligence algorithms, including Partial Least Squares Discriminant Analysis (PLS-DA), Support Vector Machine (SVM), k-Nearest Neighbors (KNN), Decision Tree (DT), Gaussian Naive Bayes (GNB), Linear Discriminant Analysis (LDA), Multilayer Perceptron (MLP), Random Forest (RF), Artificial Neural Network (ANN), and One-Dimensional Convolutional Neural Network (1D-CNN), were used to create plant classification models based on non-destructive Electrical Impedance Spectroscopy (EIS) measurements obtained from the leaves of perennial plants Vitis vinifera, Prunus laurocerasus, Magnolia grandiflora, Tilia cordata, Corylus avellana, and Olea europaea. Two datasets were created from the EIS data. One of them is the impedance, and the other combined data consisting of impedance, the imaginary part of impedance, phase angle. These datasets were augmented by 20% through random increases according to a normal distribution function within the standard deviation limits for each frequency, yielding two additional datasets. Models were then developed for each artificial intelligence approach using these datasets individually. Out of the 40 models created (four each for PLS-DA, SVM, KNN, DT, GNB, LDA, MLP, and RF), 32 underwent cross-validation, and measurement and evaluation were performed during training for the remaining 8. Subsequently, all models were tested with a standard dataset randomly created from the original data, and confusion matrices were generated. Using the data from these confusion matrices, testing accuracy, precision, recall, and F1 scores were calculated. The SVM, DT, LDA, RF, ANN, and 1D-CNN models showed particularly promising results in distinguishing each plant species. Among the trained artificial intelligence models, the 1D-CNN model trained with the augmented combined dataset achieved the best performance with an accuracy of 99%. The results obtained in this study indicate that, despite similarities in shape and color, perennial plants can be distinguished using EIS data, enabling the development of AI applications for plant classification.
Artificial intelligence algorithms, including Partial Least Squares Discriminant Analysis (PLS-DA), Support Vector Machine (SVM), k-Nearest Neighbors (KNN), Decision Tree (DT), Gaussian Naive Bayes (GNB), Linear Discriminant Analysis (LDA), Multilayer Perceptron (MLP), Random Forest (RF), Artificial Neural Network (ANN), and One-Dimensional Convolutional Neural Network (1D-CNN), were used to create plant classification models based on non-destructive Electrical Impedance Spectroscopy (EIS) measurements obtained from the leaves of perennial plants Vitis vinifera, Prunus laurocerasus, Magnolia grandiflora, Tilia cordata, Corylus avellana, and Olea europaea. Two datasets were created from the EIS data. One of them is the impedance, and the other combined data consisting of impedance, the imaginary part of impedance, phase angle. These datasets were augmented by 20% through random increases according to a normal distribution function within the standard deviation limits for each frequency, yielding two additional datasets. Models were then developed for each artificial intelligence approach using these datasets individually. Out of the 40 models created (four each for PLS-DA, SVM, KNN, DT, GNB, LDA, MLP, and RF), 32 underwent cross-validation, and measurement and evaluation were performed during training for the remaining 8. Subsequently, all models were tested with a standard dataset randomly created from the original data, and confusion matrices were generated. Using the data from these confusion matrices, testing accuracy, precision, recall, and F1 scores were calculated. The SVM, DT, LDA, RF, ANN, and 1D-CNN models showed particularly promising results in distinguishing each plant species. Among the trained artificial intelligence models, the 1D-CNN model trained with the augmented combined dataset achieved the best performance with an accuracy of 99%. The results obtained in this study indicate that, despite similarities in shape and color, perennial plants can be distinguished using EIS data, enabling the development of AI applications for plant classification.
Açıklama
Anahtar Kelimeler
Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
