Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması

Year 2020, , 807 - 815, 15.06.2020

Fatih Ahmet Şenel

https://doi.org/10.17798/bitlisfen.586042

Cited By: 4

Abstract

Türkiye’de
üretimi ve tüketimi fazla olan kayısı iç çekirdeğinin makine öğrenmesi
algoritmaları kullanılarak, tatlı veya acı olarak sınıflandırılması bu
çalışmanın konusunu oluşturmaktadır. Hem tatlı hem de acı kayısı iç çekirdeği
için talep miktarı oldukça fazladır. Depolama şartları gibi nedenlerden dolayı
kayısı iç çekirdekleri zaman zaman birbirine karışabilmektedir. Bu durum
tüketiciler tarafından istenmeyen bir durumdur. Kayısı iç çekirdeğinin
ayrıştırılması, gözle her zaman mümkün olmamaktadır. Bu çalışmanın amacı, insan
faktörünü ortadan kaldırabilecek bir sınıflandırma yönteminin
geliştirilmesidir. Bu sınıflandırma işlemi için k En Yakın Komşu, Destek Vektör
Makinesi, Karar Ağacı, Rasgele Orman, Adaptive Boosting, Gaussian Naive Bayes
ve Çok Katmanlı Algılayıcı algoritmaları kullanılmıştır. Yeterli sayıda
öznitelik ile algoritmaların yarıdan fazlası sınıflandırma işlemini %100 başarı
ile elde edebilmektedir. En az sayıda öznitelik kullanarak en iyi başarı
Rasgele Orman algoritması ile elde edilmiştir. Sonuçlar göstermiştir ki, kayısı
iç çekirdeklerinin sınıflandırılması işlemi makine öğrenmesi algoritmaları ile
başarılı bir şekilde gerçekleştirilebilmektedir.

Keywords

Kayısı iç çekirdeği, Makine öğrenmesi, Sınıflandırma

References

• 1. Öztürk, N., Ulusoy, M. R., Erkılıç, L., Bayhan, S. Ö., “Malatya ili kayısı bahçelerinde saptanan zararlılar ile avcı türler.,” Bitki Koruma Bülteni, 2004.
• 2. Wen, X., Jin, F., Regensteın, J. M., WANG, F., “Transglutaminase induced gels using bitter apricot kernel protein: Chemical, textural and release properties,” Food Biosci., vol. 26, pp. 15–22, 2018.
• 3. Kaya, A., Okur, M., Üstyol, L., Temel, H., Çaksen, H., “Kayısı çekirdeği yeme sonrası akut siyanür zehirlenme olgusu,” Türk Pediatr. Arşivi, vol. 47, no. 2, 2012.
• 4. Özcan, M., Özcan, F. B. T., Yaşartekin, Y., Yavuz, H., Sarıcı, S. Ü., “Kayısı çekirdeğine bağlı akut siyanür zehirlenmesi,” Cukurova Med. J., vol. 42, no. 3, pp. 600–601, 2017.
• 5. Karhan, M., Oktay, M. O., Karhan, Z., Demir, H., “Morfolojik Görüntü İşleme Yöntemleri ile Kayısılarda Yaprak Delen (Çil) Hastalığı Sonucu Oluşan Lekelerin Tespiti,” in 6th International Advanced Technologies Symposium (IATS’11), 2011, pp. 16–18.
• 6. Khojastehnazhand, M., Mohammadi, V., Mınaeı, S., “Maturity detection and volume estimation of apricot using image processing technique,” Sci. Hortic. (Amsterdam)., vol. 251, pp. 247–251, Jun. 2019.
• 7. Hussain Hassan, N. M., Nashat, A. A., “New effective techniques for automatic detection and classification of external olive fruits defects based on image processing techniques,” Multidimens. Syst. Signal Process., vol. 30, no. 2, pp. 571–589, Apr. 2019.
• 8. Alam, M. N., Pineda, I., Lim, J. G., Gwun, O., “Apple Defects Detection Using Principal Component Features of Multispectral Reflectance Imaging,” Sci. Adv. Mater., vol. 10, no. 7, pp. 1051–1062, Jul. 2018.
• 9. Ye, D., Sun, L., Tan, W., Che, W., Yang, M., “Detecting and classifying minor bruised potato based on hyperspectral imaging,” Chemom. Intell. Lab. Syst., vol. 177, pp. 129–139, Jun. 2018.
• 10. Wan, P., Toudeshki, A., Tan, H., Ehsani, R., “A methodology for fresh tomato maturity detection using computer vision,” Comput. Electron. Agric., vol. 146, pp. 43–50, Mar. 2018.
• 11. Kalaycı, T. E., “Comparison of Machine Learning Techniques for Classification of Phishing Web Sites,” Pamukkale Univ. J. Eng. Sci., vol. 24, no. 5, pp. 870–878, 2018.
• 12. Aydın, C., “Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması,” Eur. J. Sci. Technol., pp. 169–175, Dec. 2018.