Bu çalışmada, yenilebilir yabani bitkilerin (YYB) tanımlanması amacıyla geliştirilen bir mobil uygulama tanıtılmaktadır. MobileNetV2 mimarisi kullanılarak oluşturulan derin öğrenme modeli, 35 farklı bitki türünü tanımlayabilmektedir. Model, toplamda 16.500 görüntüden oluşan geniş bir veri setiyle eğitilmiştir. Eğitim sürecinde veri arttırma teknikleri kullanılarak modelin genelleme yeteneği geliştirilmiştir. Bu teknikler, görüntülerin döndürülmesi, kaydırılması, yakınlaştırılması ve yatay olarak çevrilmesi gibi çeşitli işlemleri içermektedir. Flask API aracılığıyla entegre edilen model, React Native ile geliştirilen mobil uygulama üzerinden kullanılabilir hale getirilmiştir. Uygulama, kullanıcıların bitkiler hakkında bilgi edinmelerini ve bu bilgileri favorilerine eklemelerine imkan sağlar. Ek olarak, kullanıcıların önceki taramalarını ve favori bitkilerini listelemelerine olanak tanır. Geliştirilen sistem, kullanıcı dostu arayüzü ve yüksek doğruluk oranıyla YYB’nin tanımlanmasında etkili bir çözüm sunmaktadır. Elde edilen sonuçlar, modelin eğitim doğruluğunun %85 ve doğrulama doğruluğunun %82 olduğunu göstermektedir. Bu çalışma, mobil cihazlar üzerinden YYB tanımlama alanında önemli bir adım atmakta ve doğa meraklıları, botanikçiler ve araştırmacılar için değerli bir araç sunmaktadır. Geliştirilen uygulama, benzer çalışmalara kıyasla daha geniş bir veri seti ve yüksek doğruluk oranı ile dikkat çekmektedir.
Yenilebilen Yabani Bitkiler Derin Öğrenme MobileNetV2 React Native
In this study, a mobile application developed for the identification of edible wild plants (YYB) is introduced. The deep learning model created using the MobileNetV2 architecture can identify 35 plant species. The model was trained with a large dataset consisting of 16,500 images in total. The model's generalization ability was increased by using data augmentation techniques during the training process. These techniques include various operations such as rotating, panning, zooming, and horizontally flipping the images. The model, integrated via the Flask API, was made available via the mobile application developed with React Native. The application allows users to obtain plant information and add it to their favorites. In addition, it allows users to list their previous scans and favorite plants. The developed system offers an effective solution for identifying YYB with its user-friendly interface and high accuracy rate. The results show that the model's training accuracy is 85%, and the validation accuracy is 82%. This study takes an essential step in identifying YYB via mobile devices and provides a valuable tool for nature enthusiasts, botanists, and researchers. The developed application attracts attention with its larger data set and higher accuracy rate than similar studies.
Birincil Dil | Türkçe |
---|---|
Konular | Bilgisayar Yazılımı |
Bölüm | Araştırma Makalesi |
Yazarlar | |
Erken Görünüm Tarihi | 27 Ağustos 2024 |
Yayımlanma Tarihi | 31 Ağustos 2024 |
Gönderilme Tarihi | 14 Haziran 2024 |
Kabul Tarihi | 18 Ağustos 2024 |
Yayımlandığı Sayı | Yıl 2024 Cilt: 2 Sayı: 2 |
Alpha Journal of Engineering and Applied Sciences © 2023 is licensed under