Classification of White Blood Cells using the Squeeze-Excitation Residual Network

Abstract

Beyaz kan hücreleri, vücudun parazitler, bakteriler, virüsler gibi mikroorganizmalara karşı korunmasında etkin rol oynayan bağışıklık sisteminin önemli bir bileşenidir. Beyaz kan hücrelerinin yapısal özellikleri, alt türlerinin şekilleri ve sayıları insan sağlığı hakkında önemli bilgiler verebilmektedir. Hastalık teşhisinde doğru beyaz kan hücre tespiti klinik olarak oldukça önemlidir. Bu yüzden, doğru beyaz kan hücre sınıflandırma yöntemi kritik öneme sahiptir. Bu çalışmada, beyaz kan hücre sınıflandırması için Evrişimsel sinir ağı (ESA) tabanlı bir yöntem önerilmiştir. Önerilen yöntem sıkma-uyarma ağı ile artık ağ mimarisinin birleşiminden oluşan hibrit bir yöntemdir. Derin ağ mimarilerinde katman sayısı arttıkça oluşabilecek problemler artık ağ ile çözülebilmektedir. Sıkma-uyarma (SU) bloğunun artık ağ ile birlikte kullanımı, toplam parametre sayısını minimum düzeyde arttırırken sınıflandırma doğruluğunu arttırmakatdır. Aynı zamanda, SU bloğunun artık ağ ile birleştirilmesi geleneksel artık ağların performansını da arttırmaktadır. Önerilen yöntemin performansını test etmek için Kaggle veritabanından alınan BCCD veriseti kullanılmıştır. Uygulamalar sonucunda ortalama %99,92 doğruluk, %99,85 kesinlik, duyarlılık ve F1-skoru elde edilmiştir. Bu sonuçlar, literatürden BCCD verisetini kullanan son yıllardaki çalışmalarda yer alan ESA yöntemlerinin elde ettiği sonuçlarla karşılaştırıldı ve önerilen yöntemin daha az eğitilebilir parametre ile daha iyi sonuçlar verdiği görülmüştür.

Enhancing Strawberry Harvesting Efficiency through Yolo-v7 Object Detection Assessment

“…All these facts about the strawberry cultivation necessitate the creation of an automated detection technique to oversee the progress of strawberries and accomplish precise recognition of matured fruit. Computer vision is a field in which machine learning techniques is commonly applied in medical and agricultural images [7][8][9][10][11]. Presently, this research field functions as a primary instrument for detecting agricultural commodities and has found extensive application in tasks such as identifying maturity levels, remotely monitoring crops, predicting yields, facilitating harvesting robots, and aiding in the selection of suitable plant varieties [1,[12][13][14][15][16][17][18][19] .…”