Tez No	İndirme	Tez Künye	Durumu
665333		Ağırlıklandırılmış derin evrişimsel sinir ağları topluluğu ile böcek türlerinin sınıflandırılması / Classification of insect species with weighted ensemble of deep convolutional neural networks Yazar:FATİH VARÇIN Danışman: PROF. DR. HASAN ERBAY Yer Bilgisi: Kırıkkale Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2020 116 s.
Pirinç, buğday, mısır, soya fasulyesi, şeker kamışı, nohut, patates gibi önemli tarla ürünlerinin çeşitli böceklerin saldırısına maruz kalmasıyla üretim miktarlarında ciddi düşüşler meydana gelmektedir. Bu böcek türlerinin erken dönemde tespit edilip gerekli önlemlerin alınması üretimin verimliliği açısından büyük önem arz etmektedir. Fakat böcek türlerinin birbirine olan benzerliği, türler hakkında yeterli bilgiye sahip olunmaması gibi bazı olumsuz faktörler çiftçilerin doğru tespiti yapıp uygun mücadele yöntemini uygulamasını zorlaştırmaktadır. Bu problemlerin üstesinden gelmek için veri setini temsil etme ve karmaşık üst seviye özellikleri otomatik öğrenebilme kabiliyeti sayesinde birçok görüntü sınıflandırma probleminde başarılı olan evrişimsel sinir ağları kullanılmıştır. Çalışma kapsamında öncelikle yedi farklı evrişimsel sinir ağı D0, Deng ve IP102 açık erişimli böcek veri setleri üzerinde uygun aktarım öğrenme ve ince ayar stratejileri ile eğitilmiştir. Test performanslarına göre en başarılı olan ilk üç model sınıflandırma performansını arttırmak için evrişimsel sinir ağı topluluğu oluşturmak üzere seçilmiştir. Geliştirilen topluluk yönteminde en başarılı modellere veri setlerinin doğrulama grupları üzerinde gösterdikleri bireysel sınıflandırma performansları ve tahmin kararlıkları göz önünde bulundurularak her birine bir ağırlık değeri atanmıştır. Söz konusu ağırlık değerlerinin hesaplanmasında bir oylama tekniğinin yanında eniyileme algoritmalarından tavlama benzetimi ve bir genetik algoritmadan yararlanılmıştır. Yapılan denemeler sonucunda geliştirilen bir genetik algoritma ile ağırlıklandırılmış evrişimsel sinir ağı topluluğu yöntemi D0, Deng ve IP102 açık erişimli böcek veri setleri üzerinde sırasıyla %98,81, %95,16 ve %67,13 doğruluk oranı elde etmiştir. Önerilen yöntem hali hazırda aynı veri setleri ile yapılan diğer sınıflandırma çalışmalarından daha iyi bir sınıflandırma performansı göstermiştir.
Important field crops such as rice, wheat, corn, soybean, sugar cane, chickpea, potato are exposed to the attack of various insects, resulting in a serious decrease in production amounts. Detecting these insect species at an early stage and taking the necessary precautions is of great importance in terms of production efficiency. However, some negative factors such as the similarity of insect species to each other and lack of sufficient information about the species make it difficult for farmers to make the correct determination and apply the appropriate control method. In order to overcome these problems, convolutional neural networks have been used, which have been successful in many image classification problems thanks to their ability to represent the dataset and learn complex high-level features automatically. Within the scope of the study, firstly, seven different convolutional neural networks were trained with D0, Deng and IP102 open access insect datasets with appropriate transfer learning and fine tuning strategies. According to the test performances, the first three models that are the most successful were chosen to create an ensemble of convolutional neural networks to improve the classification performance. In the ensemble method, a weight value was assigned to each selected model, taking into account the classification performance of the data sets on the validation groups and their prediction stability. In the calculation of the mentioned weight values, besides a voting technique, two different optimization algorithms, namely simulated annealing and a genetic algorithm, were used. As a result of the experiments, the ensemble of the convolutional neural networks method weighted with a genetic algorithm obtained 98.81%, 95.16%, and 67.13% accuracy on D0, Deng, and IP102 open access insect datasets, respectively. The proposed method has shown a better classification performance with the same data sets than other classification studies previously conducted.