Tez No	İndirme	Tez Künye	Durumu
762921		Automated segmentation and classification of diatoms in digital images / Dijital imgelerde diyatomelerin otomatik bölütlenmesi ve sınıflandırılması Yazar:HÜSEYİN GÜNDÜZ Danışman: PROF. DR. SERKAN GÜNAL Yer Bilgisi: Eskişehir Teknik 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 2022 69 s.
Diyatomeler, hemen hemen bütün su ortamlarında bulunan, fotosentez yapan alglerdir. Diyatome türlerinin tespiti ve sınıflandırılması ekolojik araştırmalar için büyük önem taşımaktadır. Bu nedenle, bu tezde, ışık mikroskobu ile elde edilen sayısal görüntülerden diyatomelerin otomatik bölütlenmesi ve sınıflandırılması problemleri incelenmiştir. Tezin ana katkıları (i) yeni bir diatom görüntü veri seti, (ii) yeni bir segmentasyon modeli ve (iii) yeni bir sınıflandırma modelidir. İlk olarak, modelleri eğitmek ve değerlendirmek için 68 türden 3,027 diyatomeli 2,197 renkli görüntüden oluşan yeni bir etiketli ve açık erişimli diyatome görüntü veri seti oluşturulmuştur. İkinci olarak, kenar algılama ve derin öğrenmeye dayalı yeni bir diyatome bölütleme modeli önerilmiştir. Son olarak, diyatome türlerini sınıflandırmak için hafif fakat güçlü bir evrişimsel sinir ağı modeli olan DiatomNet önerilmiştir. Kapsamlı bir dizi deneysel çalışma aracılığıyla, önerilen modellerin performansları çeşitli başarı ölçütleri kullanılarak değerlendirilmiştir. Bu modeler, ayrıca çeşitli yönlerden literatürdeki son çalışmalarla karşılaştırılmıştır. Deneysel sonuçlar, önerilen modellerin hemen hemen her açıdan son çalışmaları geride bıraktığını göstermiştir. Sonuç olarak, önerilen modeller, umut verici performansları sayesinde, diyatome görüntülerinin otomatik bölütlenmesi ve sınıflandırılması için güçlü adaylar olarak öne çıkmaktadır.
Diatoms are photosynthesizing algae found in almost every aquatic environment. Detection and classification of diatom species are of great importance for ecological research. Therefore, in this dissertation, the problems of automatic segmentation and classification of diatoms from digital images obtained by a light microscope have been studied. The main contributions of the dissertation are (i) a new diatom image dataset, (ii) a new segmentation model, and (iii) a new classification model. Firstly, a new annotated and publicly available diatom image dataset consisting of 2,197 color images with 3,027 diatoms from 68 species was formed to train and evaluate the models. Secondly, a novel diatom segmentation model based on edge detection and deep learning was proposed. Lastly, a lightweight but strong convolutional neural network model, namely DiatomNet, was proposed to classify diatom species. Through an extensive set of experimental studies, the performances of the proposed models were evaluated using various success metrics. The models were also compared with the recent works in the literature based on various aspects. The experimental results indicated that the proposed models surpass the recent works in almost every aspect. In conclusion, the proposed models stand out as strong candidates for automatic segmentation and classification of diatom images thanks to their promising performances.