Research Article
BibTex RIS Cite

Classification of Some Species of Shrikes Family by Convolutional Neural Networks

Year 2021, Volume: 5 Issue: 1, 72 - 79, 31.03.2021
https://doi.org/10.30516/bilgesci.886291

Abstract

Birds are an integral part of nature and are extremely important to nature. Bird species classification is gaining more and more attention in the field of computer image processing due to its promising applications in biology and environmental research. Classification of bird species requires a challenging process as it is done by traditional methods in nature. In this study; Three species belonging to the genus Lanius from the Shrikes-family were classified using Convolutional Neural Networks and Resnet architecture. As a result; An accuracy of 96.52% was achieved with the tests performed for the classification. It has been observed that this method is successful in recognizing and classifying species belonging to the same genus that are difficult to distinguish.

References

  • Aci, Ç., & Çirak, A. (2019). Türkçe Haber Metinlerinin Konvolüsyonel Sinir Ağları ve Word2Vec Kullanılarak Sınıflandırılması. Bilişim Teknolojileri Dergisi, 219-228. https://doi.org/10.17671/gazibtd.457917
  • Albawi, S., Mohammed, T. A., & Al-Zawi, S. (2017). Understanding of a convolutional neural network. 2017 International Conference on Engineering and Technology (ICET), 1-6. https://doi.org/10.1109/ICEngTechnol.2017.8308186
  • Alter, A. L., & Wang, K. M. (2017). An Exploration of Computer Vision Techniques for Bird Species Classification. Stanford University.
  • Büyükarikan, B., & Ülker, E. (2020). AYDINLATMA ÖZNİTELİĞİ KULLANILARAK EVRİŞİMSEL SİNİR AĞI MODELLERİ İLE MEYVE SINIFLANDIRMA. Uludağ University Journal of The Faculty of Engineering, 81-100. https://doi.org/10.17482/uumfd.628166
  • Dipta Das, S., & Kumar, A. (2018). Bird Species Classification using Transfer Learning with Multistage Training. arXiv e-prints, arXiv-1810. Fast.ai. (t.y.). fast.ai. Geliş tarihi 10 Şubat 2021, gönderen https://www.fast.ai/
  • GBIF. (2021a). https://www.gbif.org/what-is-gbif
  • Gbif. (2021b). Global Biodiversity Information Facility. https://doi.org/10.15468/dl.ychdz8
  • Gbif. (2021c). Global Biodiversity Information Facility. https://doi.org/10.15468/dl.gwtcd2
  • Gbif. (2021d). Global Biodiversity Information Facility. https://doi.org/10.15468/dl.4m9re7
  • Google Colaboratory. (t.y.). Colab. Geliş tarihi 21 Ocak 2021, gönderen https://colab.research.google.com/
  • Gündoğdu, E., Ünal, Y., & Sarıkaya, O. (2005). YAZILI KANYON TABİAT PARKI KUŞ VE MEMELİ TÜRLERİ ÜZERİNE ARAŞTIRMALAR.
  • Hussain, M., Bird, J. J., & Faria, D. R. (2018). A study on cnn transfer learning for image classification. UK Workshop on computational Intelligence, 191-202.
  • Islam, S., Khan, S. I. A., Abedin, M. M., Habibullah, K. M., & Das, A. K. (2019). Bird species classification from an image using vgg-16 network. Proceedings of the 2019 7th International Conference on Computer and Communications Management, 38-42.
  • IUCN Red List of Threatened Species. (2021). IUCN. https://www.iucnredlist.org/
  • Lu, Z., Bai, Y., Chen, Y., Su, C., Lu, S., Zhan, T., Hong, X., & Wang, S. (2020). The classification of gliomas based on a pyramid dilated convolution resnet model. Pattern Recognition Letters, 133, 173-179.
  • O’Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.
  • Osmanoğlu, T., & Özdemir, İ. (2014). Isparta-Gölcük Tabiat Parkı ormanında meşcere yapısı ile kuş türü zenginliği arasındaki ilişkiler. Biyolojik Çeşitlilik ve Koruma, 7(3), 78-86.
  • Süel, H., Oğurlu, İ., & Ertuğrul, E. T. (2019). Karacaören I Baraj Gölünün Kuş Faunası. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(1), 22-28.
  • Türkoğlu, M., Hanbay, K., Saraç Si̇Vri̇Kaya, I., & Hanbay, D. (2020). Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 334-345. https://doi.org/10.17798/bitlisfen.562101

Evrişimsel Sinir Ağları ile Örümcek Kuşugillerin Bazı Türlerinin Sınıflandırılması

Year 2021, Volume: 5 Issue: 1, 72 - 79, 31.03.2021
https://doi.org/10.30516/bilgesci.886291

Abstract

Kuşlar, yaşadığımız çevrenin ayrılmaz bir parçasıdır ve doğa için son derece önemlidir. Kuş türleri sınıflandırması, biyoloji ve çevre araştırmalarındaki umut verici uygulamaları nedeniyle bilgisayar görüntü işleme alanında giderek daha fazla ilgi görmektedir. Kuş türlerinin sınıflandırılmasında, esnasında doğal yaşam alanı ile ilgili arka plandaki sorunlar ortam gereği zorlu bir süreçtir.
Bu çalışmada; Örümcek Kuşugiller familyasından Lanius cinsine ait üç tür Evrişimsel Sinir Ağları ve Resnet mimarisi kullanılarak sınıflandırılmıştır. Sonuç olarak; sınıflandırmaya ait yapılan testler ile %96,52 oranında doğruluk başarısı elde edilmiştir.
Bu yöntemin ayırt edilmesi zor olan aynı cinse ait türlerin tanınabilmesinde, sınıflandırılmasında başarılı olduğu görülmüştür.

References

  • Aci, Ç., & Çirak, A. (2019). Türkçe Haber Metinlerinin Konvolüsyonel Sinir Ağları ve Word2Vec Kullanılarak Sınıflandırılması. Bilişim Teknolojileri Dergisi, 219-228. https://doi.org/10.17671/gazibtd.457917
  • Albawi, S., Mohammed, T. A., & Al-Zawi, S. (2017). Understanding of a convolutional neural network. 2017 International Conference on Engineering and Technology (ICET), 1-6. https://doi.org/10.1109/ICEngTechnol.2017.8308186
  • Alter, A. L., & Wang, K. M. (2017). An Exploration of Computer Vision Techniques for Bird Species Classification. Stanford University.
  • Büyükarikan, B., & Ülker, E. (2020). AYDINLATMA ÖZNİTELİĞİ KULLANILARAK EVRİŞİMSEL SİNİR AĞI MODELLERİ İLE MEYVE SINIFLANDIRMA. Uludağ University Journal of The Faculty of Engineering, 81-100. https://doi.org/10.17482/uumfd.628166
  • Dipta Das, S., & Kumar, A. (2018). Bird Species Classification using Transfer Learning with Multistage Training. arXiv e-prints, arXiv-1810. Fast.ai. (t.y.). fast.ai. Geliş tarihi 10 Şubat 2021, gönderen https://www.fast.ai/
  • GBIF. (2021a). https://www.gbif.org/what-is-gbif
  • Gbif. (2021b). Global Biodiversity Information Facility. https://doi.org/10.15468/dl.ychdz8
  • Gbif. (2021c). Global Biodiversity Information Facility. https://doi.org/10.15468/dl.gwtcd2
  • Gbif. (2021d). Global Biodiversity Information Facility. https://doi.org/10.15468/dl.4m9re7
  • Google Colaboratory. (t.y.). Colab. Geliş tarihi 21 Ocak 2021, gönderen https://colab.research.google.com/
  • Gündoğdu, E., Ünal, Y., & Sarıkaya, O. (2005). YAZILI KANYON TABİAT PARKI KUŞ VE MEMELİ TÜRLERİ ÜZERİNE ARAŞTIRMALAR.
  • Hussain, M., Bird, J. J., & Faria, D. R. (2018). A study on cnn transfer learning for image classification. UK Workshop on computational Intelligence, 191-202.
  • Islam, S., Khan, S. I. A., Abedin, M. M., Habibullah, K. M., & Das, A. K. (2019). Bird species classification from an image using vgg-16 network. Proceedings of the 2019 7th International Conference on Computer and Communications Management, 38-42.
  • IUCN Red List of Threatened Species. (2021). IUCN. https://www.iucnredlist.org/
  • Lu, Z., Bai, Y., Chen, Y., Su, C., Lu, S., Zhan, T., Hong, X., & Wang, S. (2020). The classification of gliomas based on a pyramid dilated convolution resnet model. Pattern Recognition Letters, 133, 173-179.
  • O’Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.
  • Osmanoğlu, T., & Özdemir, İ. (2014). Isparta-Gölcük Tabiat Parkı ormanında meşcere yapısı ile kuş türü zenginliği arasındaki ilişkiler. Biyolojik Çeşitlilik ve Koruma, 7(3), 78-86.
  • Süel, H., Oğurlu, İ., & Ertuğrul, E. T. (2019). Karacaören I Baraj Gölünün Kuş Faunası. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(1), 22-28.
  • Türkoğlu, M., Hanbay, K., Saraç Si̇Vri̇Kaya, I., & Hanbay, D. (2020). Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 334-345. https://doi.org/10.17798/bitlisfen.562101
There are 19 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Research Articles
Authors

Mahmut Tokmak 0000-0003-0632-4308

Akın Kıraç 0000-0001-5596-2256

Publication Date March 31, 2021
Acceptance Date March 9, 2021
Published in Issue Year 2021 Volume: 5 Issue: 1

Cite

APA Tokmak, M., & Kıraç, A. (2021). Evrişimsel Sinir Ağları ile Örümcek Kuşugillerin Bazı Türlerinin Sınıflandırılması. Bilge International Journal of Science and Technology Research, 5(1), 72-79. https://doi.org/10.30516/bilgesci.886291