Detection of Mushroom Species Growing in Nature with Deep Learning

Yıl 2023, Cilt: 4 Sayı: 3, 29 - 36, 27.12.2023

Merve Akın , Aycan Dağdelen , Rabia Nur Eğinme , Durmuş Özdemir

https://doi.org/10.53608/estudambilisim.1319221

Cited By: 1

Öz

The use of mushrooms in Turkish and World cuisines is increasing rapidly, especially in recent years, there has been a significant increase in wild mushroom picking and consumption. Most food poisonings we frequently observe in our environment are caused by mushroom poisoning. This rate is such that mushroom poisoning in adults constitutes approximately 7% of all acute poisoning cases. In many parts of our country, especially in rural areas, people collect mushrooms and consume them as food. In our country, poisoning and, unfortunately, deaths can be seen due to the consumption of mushrooms collected by people who do not have sufficient knowledge of food. In this study, to reduce the harmful effects of mushrooms that can quickly grow in nature on humans, a deep learning-based mobile application was designed to increase people's awareness by providing information on mushroom use. Tensorflow and Keras libraries, which are offered as open-source code and developed by Google and independent developers, were also used in the study. VGG16, one of the deep learning methods, is integrated into the mobile application designed using Android Studio and Java programming language, and the mushroom image taken from the camera is detected, and its features are presented to the user. As a result of the statistical analyses applied to the research findings, the accuracy rate was calculated as 81.75%.

Anahtar Kelimeler

Deep Learning, Tensorflow, Keras, Dataset

Doğada Yetişen Mantar Türlerinin Derin Öğrenme ile Tespiti

Öz

Mantarların Türk ve Dünya mutfaklarında kullanımı hızla artmakta, özellikle son yıllarda yabani mantar toplayıcılığı ve tüketiminde önemli artışlar yaşanmaktadır. Çevremizde sıkça gözlemlediğimiz gıda zehirlenmelerinin birçoğunu mantar zehirlenmeleri oluşturmaktadır. Öyle ki bu oran erişkinlerde mantar zehirlenmeleri tüm akut zehirlenme vakalarının yaklaşık %7'sini oluşturmaktadır. Ülkemizin kırsal kesimleri başta olmak üzere pek çok yerinde halk mantarları toplayarak gıda olarak tüketmektedir. Ülkemizde yeterli bilgiye sahip olmayan kişiler tarafından toplanan mantarların besin olarak tüketilmesi ile zehirlenmeler ve ne yazık ki ölümler görülebilmektedir. Bu çalışmada doğada kolaylıkla yetişebilen mantarların insanlar üzerindeki olumsuz etkilerini azaltmak amacıyla, insanların mantar kullanımında bilgi sahibi olmalarını sağlayarak bilinç düzeylerini artırmak için derin öğrenme tabanlı mobil uygulama tasarlanmıştır. Çalışmada ayrıca açık kaynak kod olarak sunulan, Google ve bağımsız geliştiriciler tarafından geliştirilen Tensorflow ve Keras kütüphaneleri kullanılmıştır. Android Studio ve Java programlama dili kullanılarak tasarlanan mobil uygulamaya derin öğrenme metotlarından VGG16 entegre edilerek kameradan görüntüsü alınan mantar tespit edilerek kullanıcıya özellikleri sunulmaktadır. Araştırma bulgularına uygulanan istatistiksel analizler sonucunda doğruluk oranı %81.75 olarak hesaplanmıştır.

Anahtar Kelimeler

Derin Öğrenme, Veri Seti, Tensorflow, Keras

Kaynakça

• [1] Alimovski, E., Erdemir, G. 2021. Veri Artırma Tekniklerinin Derin Öğrenmeye Dayalı Yüz Tanıma Sisteminde Etkisi . İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi , UAKK2020 , 76-80.
• [2] Anaconda3 (1.9.6) [Computer software].
• [3] Ari A., Hanbay D., 2018.Deep learning based brain tumor classification and detection system, Turkish J. Elect. Eng. Comput. Sci., 26: 2275–2286.
• [4] CNN mimarisi, Erişim Adresi: https://towardsdatascience.com/a-comprehensive-guide-toconvolutional-neural-networks-the-eli5-way-3bd2b1164a53, Erişim: 19.10.2022.
• [5] Dandil, E., 2015. Mr görüntüleri ve mr spektroskopi verileri ile yapay öğrenme tabanlı beyin tümörü tespit yöntemi ve uygulaması, pp. 4-7
• [6] Doğan, F., Türkoğlu İ. 2018. Comparison of Leaf Classification Performance of Deep Learning Algorithms. Sakarya University Journal of Computer and Information Sciences, 1: 10-21.
• [7] Eryılmaz, E., Şahin, D. Ö., Kılıç, E. 2020. Türkçe İstenmeyen E-postaların Farklı Öznitelik Seçim Yöntemleri Kullanılarak Makine Öğrenmesi Algoritmaları ile Tespit Edilmesi". Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, c. 13, sayı. 2, ss. 57-77.
• [8] He, X. Zhang, S. Ren., J. Sun. 2016. Deep residual learning for image recognition. In CVPR.
• [9] Hinton, G. Deng, L. Yu, D. Dahl, G.E. Mohamed, A.-r. Jaitly, N. Senior, A. Vanhoucke, V. Nguyen, P., Sainath, T.N. 2012. Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Processing Magazine, 29: 82-97.
• [10] JetBrains PyCharm (2018.3.2) [Computer software]
• [11] Karaaslan, Y.S. (2023,14 Haziran). Mantardan zehirlenen genç kız karaciğer nakliyle hayata döndü. aa.com.tr
• [12]Keras,https://machinelearningmastery.com/introduction-python-deep-learning-library-keras/, erişim tarihi sürekli.
• [13] Keras , http://linkedin.com/in/fchollet, erişim tarihi sürekli.
• [14] Keras , http://keras.io , erişim tarihi sürekli.
• [15] Muradli, F. 2021. Derin öğrenme kullanılarak görüntülerden insan duruş tespiti. acikerisim.sakarya.edu.tr
• [16] Neden TensorFlow. (accessed May 19, 2021). https://www.tensorflow.org/about?hl=tr
• [17] Pekşen, A. Mantar Zehirlenmeleri ve Başlıca Zehirli Mantarlar. ordu.tarimorman.gov.tr
• [18] Python (3.6) [Computer software]
• [19] Serbest, K., Aktürk, S. 2022. Nesne Tespiti İçin Derin Öğrenme Kütüphanelerinin İncelenmesi. Journal of Smart Systems Research 3(2), 97-119.
• [20] Simonyan, K., Zisserman, A. 2014. Very deep convolutional networks for large-scale image recognition. arXiv Prepr arXiv14091556.
• [21] Simonyan, K. ve Zisserman, A.(2015). Very Deep Convolutional Networks For Large-scale Image Recognition. ICLR.
• [22] TensorFlow Lite | Mobil ve Uç Cihazlar için Makine Öğrenimi. (accessed May 19, 2021. https://www.tensorflow.org/lite/?hl=tr
• [23] Türkoğlu, M., Hanbay, K., Saraç Sivrikaya, I., Hanbay, D. 2020. Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9: 334-345.
• [24] VGG16 mimarisi, Erişim Adresi: http://www.cs.toronto.edu/~frossard/post/vgg16/, Erişim: 19.10.2022. [25] Wahab, A., Elshawi, R., Barnawi, A., Sakr, S. 2021. DLBench: a comprehensive experimental evaluation of deep learning frameworks, Clust. Comput. J. Networks, Softw. Tools Appl., p. 1, doi: 10.1007/s10586-021-03240-4.