Türkiye Cumhuriyeti'nin ilk Beş Emisyon Banknotunun Tanınması için Xception, CNN ve Yolo Görüntü İşleme Algoritmaları Kullanılarak Mobil Uygulamanın Geliştirilmesi

Öz

Derin öğrenme algoritmaları, sundukları yüksek doğruluk ve performans ile günümüzde birçok farklı alanda etkin bir şekilde uygulanmaktadır. Bu algoritmalar arasında Convolutional Neural Network, Xception ve YOLOv8 modelleri, özellikle görüntü işleme alanında öne çıkmaktadır. Convolutional Neural Network algoritması, temel bir derin öğrenme yöntemi olarak geniş bir literatür desteğine sahiptir ve biyomedikal sinyal işleme, yüz tanıma ve metin sınıflandırma gibi birçok uygulama alanında kullanılmaktadır. Xception, derin öğrenmede daha gelişmiş bir yaklaşımla verimli bir şekilde karmaşık görüntü özelliklerini öğrenirken, YOLOv8 modeli ise hızlı ve doğru nesne algılama yetenekleriyle tanınmaktadır. Bu modellerin sağladığı yüksek performans, tarihî belgelerin dijital tanınması ve sınıflandırılması gibi özel alanlarda, etkin bir şekilde kullanılabilmektedir. Bu çalışmada, Türkiye Cumhuriyeti'nin ilk beş emisyon banknotlarının görselleri veri kazıma yöntemi ile oluşturulmuş ve yeni bir veri seti elde edilmiştir. Oluşturulan veri seti, Convolutional Neural Network, YOLOv8 ve Xception derin öğrenme algoritmaları ile eğitilmiştir. Deneyler sonucunda, Yolov8 ile eğitilen modelinin, 0.94 oranında doğruluk ile en iyi sonuçları verdiği gözlemlenmiştir. Çalışmada ayrıca sadece model eğitimi yapılmamış, oluşturulan model bir mobil uygulama içerisine eklenerek eski para meraklılarının, çektikleri fotoğraflar üzerinden emisyon temelli paraların sınıflandırma yapabilmelerini sağlayan bir mobil yazılımda ayrıca geliştirilmiştir. Bu araştırma, derin öğrenme teknolojilerinin tarihsel belgelerin dijital tanınmasındaki potansiyelini elde ettiği yüksek sınıflandırma başarımı ile ortaya koymaktadır.

Anahtar Kelimeler

• Görüntü İşleme
• Derin Öğrenme
• YOLOv8
• CNN
• Xception

Development of a mobile application for the recognition of the first five emission banknotes of the Republic of Turkey using image processing algorithms named Xception, CNN and Yolo

Öz

Nowadays, deep learning algorithms are used effectively in many diverse areas due to their high accuracy and performance. Among these algorithms, CNN, Xception, and YOLOv8 models stand out in the field of image processing. The CNN model, as a basic deep learning algorithm, has extensive literature support and is frequently used in many application areas, including face recognition and text classification. While the Xception model is used efficiently on complex image features with a more sophisticated approach in deep learning, the YOLOv8 model, however, is highly popular for its fast and accurate object detection. The high performance of these models enables them to be used successfully in particular domains, such as digital recognition and classification of historical documents This study created images of the first five emission banknotes of the Republic of Türkiye using the data scraping approach and generated a new dataset consisting of 9304 images. It also trained the new dataset using CNN, YOLOv8, and Xception deep learning algorithms. As a result, the study calculated truth value rates of 0.72, 0.86, and 0.99 for the CNN, Xception, and Yolov8 models, respectively. In addition to performing model training, the present study also developed software that can run on mobile devices with the embedded YOLOv8 artificial intelligence algorithm. Hence, old money enthusiasts may classify emission-based banknotes by uploading the photos they took. The present study also plays a critical role in identifying and transferring historical heritage that bears traces of the era to which banknotes belong in terms of art, architecture, and social aspects. As a result, this study revealed the potential of deep learning technologies in the digital recognition of historical documents, with the high classification performance it attained.

Anahtar Kelimeler

• Image Processing
• Deep Learning
• YOLOv8
• CNN
• Xception

Kaynakça

1. Aydın, C., Özdemirci, F. Elektronik Belgelerin Arşivlenmesinde Gerçekliğin ve Bütünlüğün Korunması, Bilgi Dünyası, 2011, pp. 105-127.
2. Çetin, M. Türkiye Cumhuriyet Merkez Bankası (TCMB) Para Politikası Uygulamalarının Gelişimi, Finansal Araştırmalar ve Çalışmalar Dergisi, 2016, pp. 67-101.
3. Aksoy, B., Korucu, K., Çalışkan, Ö., Osmanbey, Ş., & Halis, H. D. (2021). İnsansız Hava Aracı ile Görüntü İşleme ve Yapay Zekâ Teknikleri Kullanılarak Yangın Tespiti: Örnek Bir Uygulama. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 2021, 9(6), pp. 112–122.
4. Özdet, B., & İçer, S. Akciğer bilgisayarlı tomografi görüntülerinde görüntü işleme uygulamaları ile tümörlerinin tespit edilmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 2022, 27(1), pp. 135–150
5. ldem, A., Eldem, H., & Palalı, A. Görüntü işleme teknikleriyle yüz algılama sistemi geliştirme. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 2017, 6(2), pp. 44–48
6. Üncü, I. S., Kayakuş, M., Yavru, A. C., İbadov, N. Binalarda Çatlak Kontrolünde CNN Tabanlı Görüntü İşleme Ölçüm Sisteminin Kullanılması, Gazi Journal of Engineering Sciences, 2023, pp, 257-267.
7. Karasulu, B., Yücalar, F., Borandağ, E. A Hybrid Approach Based on Deep Learning for Gender Recognition Using Human Ear Images, Journal of the Faculty of Engineering and Architecture of Gazi University, 2022, pp. 1579-1594.
8. Kıran, E., Karasulu, B., & Borandağ, E. Gemi Çeşitlerinin Derin Öğrenme Tabanlı Sınıflandırılmasında Farklı Ölçeklerdeki Görüntülerin Kullanımı, Journal of Intelligent Systems, Theory and Applications, 2022, pp. 161-167.

9. Şahin, Ö. iOS platformunda görme engelliler için TL tanıma uygulaması, Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya, 2017, pp. 72.
10. Baykal, G., Demir, Uğur., Shyti, Ira., Ünal, G. Turkish lira banknotes classification using deep convolutional neural networks, 2018 26th Signal Processing and Communications Applications Conference (SIU), Izmir, Turkey, 2018, pp. 1-4.
11. Gençal, M. C. SURF Yöntemi Kullanarak Türk Madeni Paralarını Tanıma, 4th International Mediterranean Scientific Research Congress, Nicosia, Cyprus, 2023
12. Yeşiltepe, M., Elkiran, H., Rasheed, J. Turkish Lira Banknote Classification using Transfer Learning and Deep Learning, Acta Infologica, 2024, 8(2), pp, 133-156.
13. Makaklı, E., Ozar, B. Architectural images and values in banknote design: Turkish Republic E1. Emission Group 1, GU Journal of Science, Part B: Art, Humanities, Design and Planning, 2024, 12(4), pp, 607–617.
14. Özgür, K., Ballı, S. Görme Engelliler İçin Görüntü İşleme Tabanlı Bir Para Tanıma Uygulaması Geliştirilmesi, IV International Conference on Data Science and Applications, Turkey, 2021.
15. Lo, W. W., Yang, X., Wang, Y. An Xception Convolutional Neural Network for Malware Classification with Transfer Learning, 2019 10th IFIP International Conference on New Technologies, Mobility and Security (NTMS), 2019, pp. 1-5.
16. Hussain, M. YOLO-v1 to YOLO-v8, The Rise of YOLO and Its Complementary Nature Toward Digital Manufacturing and Industrial Defect Detection, Machines, 2023, pp. 677.
17. Chollet, F. Xception: Deep learning with depth wise separable convolutions, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 1251-1258.
18. Yamashita, R., Nishio, M., Do, R.K.G. Convolutional neural networks: an overview and application in radiology, Insights into Imaging, 2018, 9, pp. 611–629.
19. Gordon, E., Loaiza-Ganem, G., Pleiss, G., Cunningham, J. P. Uses and Abuses of the Cross-Entropy Loss, Case Studies in Modern Deep Learning, 2020, pp, 11.
20. Liu, J., Liu, X., Chen, H., & Luo, S. MDD-YOLOv8: A Multi-Scale Object Detection Model Based on YOLOv8 for Synthetic Aperture Radar Images, Applied Sciences, 2025, pp. 2239.
21. Abodayeh, A., Alotaibi, A., Alsalamah, S. Web Scraping for Data Analytics: A BeautifulSoup Implementation, 2023 Sixth International Conference of Women in Data Science at Prince Sultan University (WiDS PSU), IEEE, 2023, pp. 68.
22. Abodayeh, A., Hejazi, R., Najjar, W., Shihadeh, L., & Latif, R. Web scraping for data analytics: A beautifulsoup implementation. In 2023 sixth international conference of women in data science at prince Sultan University (WiDS PSU), IEEE, 2023, pp. 65-69.
23. Raksa, A. R. A., Padukawan, F., Aji, K. K., Alamsyah, M. R., Octaviyani, S., & Laksana, E. A. Wall-Following Robot Navigation Classification Using Deep Learning with Sparse Categorical Crossentropy Loss Function, Central Asia and the Caucasus, 2022, 23(1), pp, 5175-5182.
24. Ruby, U., Yendapalli, V. Binary Cross Entropy with Deep Learning Technique for Image Classification, Int. J. Adv. Trends Comput. Sci. Eng., 2020, pp, 5393-5397.
25. Du, S., Zhang, B., Zhang, P., Xiang, P. An Improved Bounding Box Regression Loss Function Based on CIOU Loss for Multi-Scale Object Detection, IEEE 2nd International Conference on Pattern Recognition and Machine Learning (PRML), 2021, pp. 92–98.
26. Wu, J. Introduction to Convolutional Neural Networks, National Key Lab for Novel Software Technology, Nanjing University, China, 2017, pp. 495.
27. Liu, J., Zhang, C., Li, J. Using Anchor-Free Object Detectors to Detect Surface Defects, Processes, 2024, pp. 2817.