Tez No	İndirme	Tez Künye	Durumu
623201		Identification of butterfly species using machine learning and image processing techniques / Makine öğrenmesi ve görüntü işleme teknikleri kullanılarak kelebeklerin tanımlanması Yazar:AYAD SAAD ALMRYAD Danışman: DR. ÖĞR. ÜYESİ HAKAN KUTUCU Yer Bilgisi: Karabük Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2020 87 s.
Günümüzün rekabetçi koşullarında, hızlı, ucuz ve güvenilir çözümler üretmek mühendisler için bir hedeftir. Yapay zekanın geliştirilmesi ve bu teknolojinin neredeyse tüm alanlara tanıtılması, görüntü işleme alanında yapay zekayı kullanarak insan faktörünü en aza indirmenin yanı sıra zaman ve emek açısından kar elde etme ihtiyacını yarattı. Bu tezde, yapay sinir ve derin sinir ağlarını kullanarak otomatik bir kelebek türü tanımlama modeli öneriyoruz. Tezdeki çalışma iki aşamadan oluşmaktadır. İlk aşamada, sabit bir protokol altında alınan laboratuvar tabanlı kelebek görüntüleri üzerinde çalıştık. Bu görüntülerdeki kelebek türleri uzman entomologlar tarafından tanımlanmıştır. 10 türün laboratuvar tabanlı kelebek görüntüleri için toplam 140 görüntü kullandık. Histogram eşitleme ve arka plan kaldırma gibi görüntülere bazı ön işlemler uyguladıktan sonra, kelebek görüntülerden çeşitli özellikler çıkardık. Son olarak, kelebek tanımlama için Neural Network paketi kullanılarak MATLAB R2014b versiyonunda yapay sinir ağı kullandık. YSA modeli % 98'lik bir doğruluk elde etmiştir. Tezin ikinci aşamasında alan bazlı (doğadan) kelebek görüntüleri üzerinde çalıştık. Türkiye'de doğada çekilmiş farklı pozisyon, çekim açısı, kelebek mesafesi ve arka plan karmaşıklığı ile alınan 104 farklı kelebek türünden 44659 görüntü topladık. Birçok türün birkaç görüntü örneği olduğundan, 10 tür içeren 17769 kelebeğin alan tabanlı bir veri kümesini oluşturduk. Kelebek türlerinin tanımlanmasında Python tarafından uygulanan Evrişimli Sinir Ağları (CNN) kullanılmıştır. Üç farklı ağ yapısı kullanılarak elde edilen deneysel sonuçların karşılaştırılması ve değerlendirilmesi yapılmıştır. 10 yaygın kelebek türü üzerinde yapılan deneysel sonuçlar, yöntemimizin çeşitli kelebek türlerini başarıyla tanımladığını göstermiştir.
In today's competitive conditions, producing fast, inexpensive and reliable solutions are objectives for engineers. Development of artificial intelligence and the introduction of this technology to almost all areas have created a need to minimize the human factor by using artificial intelligence in the field of image processing, as well as to make a profit in terms of time and labor. In this thesis, we propose an automated butterfly species identification model using artificial neural and deep neural networks. The study in the thesis consists of two stages. In the first stage, we studied on lab-based butterfly images taken on under a fixed protocol. The species of butterflies in these images are identified by expert entomologists. We used a total of 140 images for lab-based butterfly images of 10 species. After applying some preprocess to the images such as histogram equalization and background removing, we extracted several features from the butterfly images. Finally, we used an artificial neural network in MATLAB version R2014b using the Neural Network Toolbox for butterfly identification. The ANN model achieved an accuracy of 98%. In the second stage of the thesis, we studied on field-based butterfly images. We collected 44659 images of 104 different butterfly species taken with different positions of butterflies, the shooting angle, butterfly distance, occlusion, and background complexity in the field in Turkey. Since many species have a few image samples we constructed a field-based dataset of 17769 butterflies with 10 species. Convolutional Neural Networks (CNNs) implemented by Python were used for the identification of butterfly species. Comparison and evaluation of the experimental results obtained using three different network structures are conducted. Experimental results on 10 common butterfly species showed that our method successfully identified various butterfly species.