The fact that image processing methods and techniques give better
results every day is important for the sensitivity of ecological balance. This
article deals with the classification of plant species, which is the main
element of the ecological balance. Recently, the use of deep learning methods
on plant species has increased. Another aim of our study is to create a reference
for comparing the image data used in this field to other studies which will use
the same data set. In this study, five-class plant images that are accessible
for the classification of plant species were utilized. The data set consists of
4242 images. In the data set, the convolutional neural network (CNN) from deep
learning models was used for feature extraction. The features obtained from
plant species were classified by support vector machines (SVM) and the results
obtained were compared. As a result of the comparison, the best classification
performance was provided by VGG-16 architecture. The obtained classification
accuracy rate is 86.56%. In the next phase, the number of properties of the
last layer of CNN architectures was reduced by using the Maximal Information
Coefficient (MIC), Ridge Regression and Recursive Feature Elimination (RFE). The most efficient features derived
from feature selection methods were re-classified with SVM. The classification
success rate increased by 5.24% and became 91.10%. In this study, it was
observed that the use of feature selection methods together with CNN
architectures were effective in the classification of flower species.
CNN deep learning image processing feature selection flower types
Görüntü işleme yöntem ve tekniklerinin gün geçtikçe daha iyi sonuç vermesi, ekolojik dengenin duyarlılığı açısından önem arz etmektedir. Bu makale ekolojik dengenin temel unsuru olan çiçek görüntülerinin sınıflandırılmasını ele almaktadır. Son zamanlarda çiçek görüntüleri üzerinde derin öğrenme yöntemlerinin kullanımı artmıştır. Bu çalışmada, çiçek görüntülerinin sınıflandırılması için internette erişime açık olan veri seti kullanılmıştır. Veri seti 4326 görüntüden oluşmaktadır. Elde edilen veri kümesinde özellik çıkarımı için derin öğrenme modellerinden evrişimsel sini ağı (ESA) kullanılmıştır. ESA mimarilerinden AlexNet, VGG-16 ve VGG-19 modelleri kullanılmıştır. Üç modelinde ortak özelliği 1000 özellik veren tam bağlantılı katmana sahip olmalarıdır. Çiçek görüntülerinden elde edilen özellikler destek vektör makineleri (DVM) ile sınıflandırılmış ve elde edilen sonuçlar karşılaştırılmıştır. Karşılaştırma sonucunda en iyi sınıflandırma performansını VGG-16 mimarisi ile sağlanmıştır. Elde edilen sınıflandırma doğruluk oranı %86,56’dır. Sonraki aşamada ESA mimarilerinin son tam bağlantılı katmanından elde edilen 1000 özellik birleştirilerek 3000 özellik seti oluşturuldu. Ardından, özellik seçim yöntemlerinden; Maksimum Bilgi Katsayısı (MBK), Ridge regresyonu ve Özyinelemeli Özellik Eleme (ÖÖE) yöntemleri kullanılarak özellik sayısı 300’e düşürülmüştür. Özellik seçim yöntemleri ile çıkartılan en verimli özellikler DVM yöntemi ile yeniden sınıflandırılmıştır. Sınıflandırma başarı oranı yaklaşık %4,54 artarak %91,10 olmuştur. Bu çalışma ile çiçek görüntülerinin sınıflandırılmasında ESA mimarileri ile birlikte özellik seçim yöntemlerinin kullanımının etkili olduğu gözlemlenmiştir.
ESA derin öğrenme görüntü işleme özellik seçimi çiçek türleri
Birincil Dil | Türkçe |
---|---|
Bölüm | MBD |
Yazarlar | |
Yayımlanma Tarihi | 3 Mart 2020 |
Gönderilme Tarihi | 3 Haziran 2019 |
Yayımlandığı Sayı | Yıl 2020 Cilt: 32 Sayı: 1 |