A Hybrid Approach for Multiclass Classification of Dry Bean Seeds

Yıl 2023, Cilt: 13 Sayı: 1, 33 - 43, 01.03.2023

Mehmet Akif Bülbül

https://doi.org/10.21597/jist.1185949

Cited By: 4

Öz

In sustainable agriculture, it is of great importance to decide which type of seed should be grown in which soil type. Determining the dried bean type to be planted is a costly process that requires experience, knowledge and experts in the field. Decision support systems developed for the correct classification of dry beans are of great importance at this point. In this study, a hybrid model was proposed for the classification of dry bean seeds using Artificial Neural Network (ANN) and Particle Swarm Optimization (PSO) algorithm. Thanks to the proposed hybrid model, the hyper-parameters in the ANN network structure have been optimized. The ANN network structure established with the hyper parameters obtained as a result of the optimization process was used in the multi-class classification of dry beans. The results obtained with the hybrid model are controversially compared with the classification results using the Decision Tree, K Nearest Neighbor Algorithm. As a result of the experimental studies, successful results were obtained with 90% accuracy in the classification of dry bean seeds with the hybrid model.

Anahtar Kelimeler

Particle Swarm Optimization, Artificial Neural Network, Multiclass Classification

Kuru Fasulye Tohumlarının Çok Sınıflı Sınıflandırılması İçin Hibrit Bir Yaklaşım

Öz

Sürdürülebilir tarımda, hangi toprak türünde hangi tür tohum yetiştirilmesi gerektiğine karar vermek büyük önem arz etmektedir. Dikilmesi hedeflenen kuru fasulye cinsinin belirlenmesi tecrübe, bilgi birikimi ve alanında uzman kişileri gerektiren maliyetli bir işlemdir. Kuru fasulyelerin doğru bir şekilde sınıflandırılabilmesi için geliştirilen karar destek sistemleri bu noktada büyük önem taşımaktadır. Bu çalışmada, kuru fasulye tohumlarının sınıflandırılmasında Yapay Sinir Ağı (YSA) ve Parçacık Sürü Optimizasyon (PSO) Algoritması kullanılarak hibrit bir model önerilmiştir. Önerilen hibrit model sayesinde YSA ağ yapısında bulunan hiper-parametreler optimize edilmiştir. Optimize işlemi sonucunda elde edilen hiper-parametreler ile kurulan YSA ağ yapısı kuru fasulyelerin çok sınıflı sınıflandırılmasında kullanılmıştır. Hibrit model ile elde edilen sonuçlar Karar Ağacı, K En Yakın Komşu Algoritması kullanılarak yapılan sınıflandırma sonuçları ile tartışmalı bir şekilde kıyaslanmıştır. Yapılan deneysel çalışmalar sonucunda hibrit model ile kuru fasulye tohumlarının sınıflandırılmasında %90 doğrulukla başarılı sonuçlar elde edilmiştir.

Anahtar Kelimeler

Parçacık Sürü Optimizasyon Algoritması, Yapay Sinir Ağları, Çok sınıflı sınıflandırıcı

Kaynakça

• Alhaj, Y. A., Dahou, A., Al-qaness, M. A., Abualigah, L., Abbasi, A. A., Almaweri, N. A. O., ... & Damaševičius, R. (2022). A novel text classification technique using improved particle swarm optimization: A case study of Arabic language. Future Internet, 14(7), 194.
• Baldin, R. C., Kavalco, S. A. F., Woyann, L. G., Rodrigues Junior, A. A., Gobatto, D. R., Silva, G. R. D., ... & Finatto, T. (2021). Yield stability of common bean genotypes in the state of Santa Catarina, Brazil. Pesquisa Agropecuária Brasileira, 56.
• Bayat, S., & Işık, G. (2020, October). Identification of Aras Birds with convolutional neural networks. In 2020 4th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-5). IEEE
• Bayat, S., & Işık, G. (2022). Aras Kuş türlerinin ses özellikleri bakımından derin öğrenme yöntemleriyle tanınması. Journal of the Institute of Science and Technology, 12(3), 1250-1263.
• Blanquero, R., Carrizosa, E., Molero-Río, C., & Morales, D. R. (2021). Optimal randomized classification trees. Computers & Operations Research, 132, 105281.
• Bülbül, M. A., Harirchian, E., Işık, M. F., Aghakouchaki Hosseini, S. E., & Işık, E. (2022). A hybrid ANN-GA model for an automated rapid vulnerability assessment of existing RC buildings. Applied Sciences, 12(10), 5138.
• Bülbül, M. A., & Öztürk, C. (2022). Optimization, modeling and implementation of plant water consumption control using genetic algorithm and artificial neural network in a hybrid structure. Arabian Journal for Science and Engineering, 47(2), 2329-2343.
• Bülbül, M. A., Öztürk, C., & Işık, M. F. (2022). Optimization of climatic conditions affecting determination of the amount of water needed by plants in relation to their life cycle with particle swarm optimization, and determining the optimum irrigation schedule. The Computer Journal, 65(10), 2654-2663.
• Dinesh, T., & Rajendran, T. (2021). Higher classification of fake political news using decision tree algorithm over naive Bayes algorithm. Revista Geintec-Gestao Inovacao E Tecnologias, 11(2), 1084-1096.
• Kennedy, J., & Eberhart, R. (1995, November). Particle swarm optimization. In Proceedings of ICNN'95-international conference on neural networks (Vol. 4, pp. 1942-1948). IEEE.
• Eryigit, R., & Tugrul, B. (2021). Performance of various deep-learning networks in the seed classification problem. Symmetry, 13(10), 1892.
• Espinosa-Pérez, E. N., Ramírez-Vallejo, P., Crosby-Galván, M. M., Estrada-Gómez, J. A., Lucas-Florentino, B., & Chávez-Servia, J. L. (2015). Clasificación de poblaciones nativas de frijol común del centro-sur de México por morfología de semilla. Revista fitotecnia mexicana, 38(1), 29-38.
• Granitto, P. M., Navone, H. D., Verdes, P. F., & Ceccatto, H. A. (2002). Weed seeds identification by machine vision. Computers and Electronics in agriculture, 33(2), 91-103.
• de Gusmão, R. P., & de Carvalho, F. D. A. (2019). Clustering of multi-view relational data based on particle swarm optimization. Expert Systems with Applications, 123, 34-53.
• Işık, E., Işık, M. F., & Bülbül, M. A. (2017). Web based evaluation of earthquake damages for reinforced concrete buildings. Earthquakes and Structures, 13(4), 423-432.
• Işık, G., Ekici, S., & Şahin, G. (2020). A neural network model for UAV propulsion system. Aircraft Engineering and Aerospace Technology, 92(8), 1177-1184.
• Işık, M. F., Işık, E., & Bülbül, M. A. (2018). Application of iOS/Android based assessment and monitoring system for building inventory under seismic impact. Gradjevinar, 70 (12), 1043-1056.
• Kılıçarslan, S. (2022). Kurum Üzüm Tanelerinin Sınıflandırılması İçin Hibrit Bir Yaklaşım. Mühendislik Bilimleri ve Araştırmaları Dergisi, 4(1), 62-71.
• Kılıç, K., Boyacı, I. H., Köksel, H., & Küsmenoğlu, İ. (2007). A classification system for beans using computer vision system and artificial neural networks. Journal of Food Engineering, 78(3), 897-904.
• Koklu, M., & Ozkan, I. A. (2020). Multiclass classification of dry beans using computer vision and machine learning techniques. Computers and Electronics in Agriculture, 174, 105507.
• Krüger, F. (2016). Activity, context, and plan recognition with computational causal behaviour models (Doctoral dissertation, University).
• Loddo, A., Loddo, M., & Di Ruberto, C. (2021). A novel deep learning based approach for seed image classification and retrieval. Computers and Electronics in Agriculture, 187, 106269.
• Cansız, Ö. F., Çelik, R., & Genç, O. (2022). Türkiye demiryollarında taşınan yük miktarının yapay sinir ağları yöntemi ile tahmini. International Korkut Ata Scientific Researches Conference, 28-30 Haziran 2022, Osmaniye.
• Pacal, I., Karaboga, D., Basturk, A., Akay, B., & Nalbantoglu, U. (2020). A comprehensive review of deep learning in colon cancer. Computers in Biology and Medicine, 126, 104003.
• Pacal, I., & Karaboga, D. (2021). A robust real-time deep learning based automatic polyp detection system. Computers in Biology and Medicine, 134, 104519.
• Pacal, I., Karaman, A., Karaboga, D., Akay, B., Basturk, A., Nalbantoglu, U., & Coskun, S. (2022). An efficient real-time colonic polyp detection with YOLO algorithms trained by using negative samples and large datasets. Computers in biology and medicine, 141, 105031.
• Qian, Y., Xu, Q., Yang, Y., Lu, H., Li, H., Feng, X., & Yin, W. (2021). Classification of rice seed variety using point cloud data combined with deep learning. International Journal of Agricultural and Biological Engineering, 14(5), 206-212.
• Quang-Huy, T., Doan, P. T., Yen, N. T. H., & Tran, D. T. (2021). Shear wave imaging and classification using extended Kalman filter and decision tree algorithm. Math. Biosci. Eng, 18, 7631-7647.
• Reeves, W. T. (1983). Particle systems—a technique for modeling a class of fuzzy objects. ACM Transactions On Graphics (TOG), 2(2), 91-108.
• Soydaş, V., Aydın, M., Elkoca, E., & İlhan, E. (2019). Gümüşhane ili yerel fasulye genotiplerinin morfolojik ve tarımsal özellikler yönünden karakterizasyonu üzerine bir ön çalışma. Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi, 31(2), 143-160.
• Wahab, S. N., Sulaiman, N. S., Aziz, N. A., Zakaria, N. L., & Aziz, A. A. A. (2022). An Intrusion Detection System Based on Hybrid of Particle Swarm Optimization (PSO) and Magnetic Optimization Algorithm (MOA). In Proceedings of International Conference on Emerging Technologies and Intelligent Systems: ICETIS 2021 Volume 2 (pp. 579-588). Springer International Publishing.
• Yavuz, Ö. Ç., Karaman, E., & Yeşilyaprak, C. (2022). Makine öğrenmesi algoritmalarıyla astronomik gözlem kalitesi tahminine yönelik karar destek sistemi geliştirilmesi ve uygulanması. Trends in Business and Economics, 36(3), 289-303.