Kurum Üzüm Tanelerinin Sınıflandırılması İçin Hibrit Bir Yaklaşım

Abstract

Raisin grains are a very good source of energy and nutrients due to the minerals and vitamins they contain. Since raisins constitute 23% of the world in Turkey, it is important to determine the variety and quality. Traditionally, deciding on the type and quality of raisin grains is a long and costly process. In addition, experience and knowledge are important in determining the type of raisin grains. In addition, since each of the experts has different experience, knowledge and expertise, there is a difference in terms of classification of raisins. Therefore, it is important to develop a decision support system with data mining methods for the correct classification of raisin grains. In this study, we propose one hybrid model using rotation forest (RO) and deep learning algorithms of Stacked Autoencoder (SAE) for the prediction of the type of raisin grains. As a result of the experimental evaluation, the hybrid SAE-ROF method has achieved a high success rate of 91.50% in terms of performance from the classical data mining methods and deep learning methods used in the study.

Bazı Bağ Hastalıklarının Faster R-CNN Modeli ile Otomatik Tespit Edilmesi ve Sınıflandırılması

“…Daha iyi bir değerlendirme için veri setinden rastgele örnekler seçilmiştir. Kılıçarslan (2022), hibrit yöntemlerin daha yüksek performans gösterdiğini bildirmiştir. Hastalık tespitinde de hibrit yöntemler uygulanarak başarı oranının artacağı düşünülmektedir.…”

Derin Evrişimli Sinir Ağları Kullanılarak Pirinç Hastalıklarının Sınıflandırılması

“…Yeni veriler toplamak yerine, mevcut verileri değiştiririz. Görüntü artırma işlemleri arasında döndürme, kırpma, yakınlaştırma, çevirme ve parlaklık seviyesini değiştirme gibi işlemler yer alır (Khirade ve Patil, 2015;Nagaraju ve Chawla, 2020). Verilerimiz üzerinde gerçekleştirilen çeşitli artırma işlemleri aşağıdaki gibidir:…”

“…ImageNet, görsel nesne tanıma araştırmaları için kullanılan geniş bir resim koleksiyonudur ve birçok derin öğrenme modeli, ImageNet'te eğitildikten sonra görüntü sınıflandırma alanında en iyi sonuçları elde etmiştir. Araştırmacılar, benzer görsel özelliklere sahip küçük veri kümeleri için önceden eğitilmiş ImageNet modellerini kullanarak zaman ve kaynak tasarrufu yaparken daha iyi sonuçlar elde edebilirler (BAYAT ve Gültekin, 2022;KILIÇARSLAN, 2022). Önceden eğitilmiş ImageNet modellerini kullanmak için araştırmacılar, modeli yeni bir veri kümesinde ince ayarlayabilir veya özellik çıkarıcısı olarak kullanabilirler.…”

Kuru Fasulye Tohumlarının Çok Sınıflı Sınıflandırılması İçin Hibrit Bir Yaklaşım

“…Doğru toprak yapısında doğru kuru fasulye yetiştirilebilmesi için doğru tür tohumun belirlenmesi gerekmektedir. Bu belirleme işleminin doğru bir şekilde gerçekleşmesi bilgi birikimi ve tecrübe gerekmektedir (Kılıçarslan, 2022). Farklı uzmanların farklı tecrübeleri kuru fasulye tohumlarının sınıflandırılmasında farklılıklar meydana getirebilmektedir.…”