Derin Öğrenme Modellerinde Komşuluk Bileşen Analizi Yöntemi Kullanarak Çiçek Görüntülerinin Sınıflandırılması

Yıl 2022, Cilt: 34 Sayı: 1, 439 - 447, 20.03.2022

Harun Bingol

https://doi.org/10.35234/fumbd.1053501

Cited By: 1

Öz

Çiçekler tıpkı insanlar ve hayvanlar gibi doğanın yeri doldurulamaz canlılarıdır. Çiçekler birçok hastalığın tedavisinde tıp uzmanları tarafından kullanılmaktadır. İlaç şirketleri büyük araştırma laboratuvarlarında ilaç üretmek için devasa bütçeler ayırarak bu çiçek türleri üzerine araştırma yapmaktadırlar. Bazı çiçekleri gördüğümüz zaman hemen tanırız fakat doğada bizim bildiğimizden çok daha fazla çiçek türü mevcuttur. Hatta günümüzde hiç tanınmamış çiçek türleri bile vardır. Bu çalışmada çiçek türleri üzerine çalışan araştırmacıların, çiçek türlerini tespit etme işlerini kolaylaştırmak amacıyla çiçek görüntüleri derin öğrenme metotları kullanarak sınıflandırılmıştır. Derin öğrenme yöntemleri son zamanlarda özellikle görüntü işlemede yaygın bir şekilde kullanılmakta ve oldukça etkili sonuçlar vermektedir. Bu çalışmada altı farklı derin öğrenme yöntemi kullanılmıştır. İlk aşamada, önceden eğitilmiş Alexnet, Googlenet, Shufflenet, Efficientnetb0, Resnet50 ve Inceptionv3 mimarileri ile sınıflandırma işlemi yapılmıştır. İkinci aşamada ise bu altı mimariden elde edilen özellik haritaları KBA (Komşuluk bileşen analizi) yöntemi ile optimize edildikten sonra ayrı ayrı makine öğrenmesi sınıflandırıcılarında sınıflandırılmıştır. Üçüncü aşamada, önceden eğitilmiş bu altı derin öğrenme modelini kullanarak veri setindeki çiçek görüntülerinin özellik haritaları çıkarılmıştır. Bu altı derin öğrenme mimarisinden üç tanesi kullanılarak elde edilen özellik haritaları birleştirilmiştir. Daha sonra bu özelliklere algoritmanın çalışma zamanını kısaltmak için KBA metodu uygulanarak gereksiz özellikler çıkarılmış ve optimize edilmiştir. Optimize edilmiş olan özellik haritası klasik makine öğrenmesi sınıflandırıcılarında sınıflandırılmıştır. Deneysel çalışmalarımız sonucunda önermiş olduğumuz modelin doğruluk oranı yüzde 93.49’dur.

Anahtar Kelimeler

Derin öğrenme, ESA, çiçek görüntüleri, sınıflandırıcılar, KBA

Kaynakça

• [1] Bulut, Y., Akpınar, E., Yılmaz, H. (2007). Erzurum kentinin kesme çiçek tüketim potansiyelinin belirlenmesi ve çözüm önerileri.
• [2] Sonka, M., Hlavac, V., Boyle, R. (2014). Image processing, analysis, and machine vision. Cengage Learning.
• [3] Saha, S., Sheikh, N., Banerjee, B., Pendurkar, S. (2020). Self-supervised Deep Learning for Flower Image Segmentation. In 2020 14th International Conference on Innovations in Information Technology (IIT) (pp. 126-130). IEEE.
• [4] Wang, X. A., Tang, J., Whitty, M. (2021). DeepPhenology: Estimation of apple flower phenology distributions based on deep learning. Computers and Electronics in Agriculture, 185, 106123.
• [5] Anisi, D. A. (2003). Optimal motion control of a ground vehicle (Doctoral dissertation, Master’s thesis. Royal Institute of Technology (KTH), Stockholm, Sweden).
• [6] Jacques Cohen (Ed.). 1996. Special Issue: Digital Libraries. Commun. ACM 39, 11 (Nov. 1996).
• [7] Shi, L., Li, Z., Song, D. (2019). A flower auto-recognition system based on deep learning. In IOP Conference Series: Earth and Environmental Science (Vol. 234, No. 1, p. 012088). IOP Publishing.
• [8] Jyothi, V. K., Guru, D. S., YH, S. K. (2018). Deep learning for retrieval of natural flower videos. Procedia computer science, 132, 1533-1542.
• [9] Patel, I., Patel, S. (2020). An Optimized Deep Learning Model for Flower Classification Using NAS-FPN and Faster R-CNN. International Journal of Scientific & Technology Research, 9(03), 5308-5318.
• [10] Alexander Mamaev. Flowers Recognition | Kaggle, 2 Ocak 2022, URL-7, https://www.kaggle.com/alxmamaev/flowers-recognition
• [11] Krizhevsky, A., Sutskever, I., Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.
• [12] Lu, S., Lu, Z., Zhang, Y. D. (2019). Pathological brain detection based on AlexNet and transfer learning. Journal of computational science, 30, 41-47.
• [13] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
• [14] Zhang, X., Zhou, X., Lin, M., Sun, J. (2018). Shufflenet: An extremely efficient convolutional neural network for mobile devices. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 6848-6856).
• [15] Samia, B., Boudjelal, M., Lézoray, O. (2021). Skin lesion classification using convolutional neural networks based on Multi-Features Extraction. In 19th International Conference on Computer Analysis of Images and Patterns (CAIP 2021).
• [16] He, K., Zhang, X., Ren, S., Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
• [17] Çinar, A., Yildirim, M. (2020). Detection of tumors on brain MRI images using the hybrid convolutional neural network architecture. Medical hypotheses, 139, 109684.
• [18] Bingol, H., Alatas, B. (2021). Classification of Brain Tumor Images using Deep Learning Methods. Turkish Journal of Science and Technology, 16(1), 137-143.
• [19] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818-2826).
• [20] Lin, C., Li, L., Luo, W., Wang, K. C., Guo, J. (2019). Transfer learning based traffic sign recognition using inception-v3 model. Periodica Polytechnica Transportation Engineering, 47(3), 242-250.
• [21] Eroglu, Y., Yildirim, M., Cinar, A. (2021). mRMR‐based hybrid convolutional neural network model for classification of Alzheimer's disease on brain magnetic resonance images. International Journal of Imaging Systems and Technology.
• [22] Eroglu, Y., Yildirim, K., Çinar, A., Yildirim, M. (2021). Diagnosis and grading of vesicoureteral reflux on voiding cystourethrography images in children using a deep hybrid model. Computer Methods and Programs in Biomedicine, 210, 106369.
• [23] Guo, Hu, Wu, Peng, Wu. The Tabu_Genetic Algorithm: A Novel Method for Hyper-Parameter Optimization of Learning Algorithms, Electronics. 2019;8(5):579. URL-16, https://www.mdpi.com/2079-9292/8/5/579
• [24] Luus F, Khan N, Akhalwaya I. Active Learning with TensorBoard Projector. 2019;1–7. URL-17, http://arxiv.org/abs/1901.00675
• [25] Toğaçar, M., Ergen, B., Özyurt, F. (2020). Evrişimsel Sinir Ağı Modellerinde Özellik Seçim Yöntemlerini Kullanarak Çiçek Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(1), 47-56.