Atıf Sayısı
2
Görüntüleme
6
İndirme
1
Derin Öğrenme yöntemiyle ağaç kabuğu görüntülerinden ağaçların tanımlanması, ağaçların geleceğe taşınmasında, yaşamsal açısından önemli ağaçların koruma altına alınmasında, orman kaynaklarının sürdürülebilir yönetim planlarının yapılmasında, botanik konusunda deneyimi olmayan kişilerin doğayı araştırmasında, meyvecilik sektöründe farklı ya da aynı sınıfın alt türlerinin belirlenmesinde, kereste/mobilya/kâğıt vb. sektörlerdeki ağaç kesim operasyonları ile ağaçların işlenme süreçlerinde, ağaçların doğru ve verimli kullanılmasında yararlı olabilecek bir problem çözümüdür. Fakat Derin Öğrenmedeki son gelişmeler etkileyici sonuçlar ortaya koymasına rağmen, veri kümesi eksikliği veya yetersizliği ağaç kabuğu türlerinin tanımlanmasında Derin Öğrenmenin kullanımını kısıtlamıştır. Bu alandaki çalışmalara katkı sağlamak ve ağaç kabuğu görüntülerinden ağaçların tanımlanmasının mümkün olduğunu göstermek amacıyla 59 ağaç türünün 24.686 ağaç kabuğu görüntüsü Türkiye’deki çeşitli bölgelerden bir yıllık süreçte toplanarak bir veri seti oluşturulmuştur. Bu veri setiyle yedi adet önceden eğitilmiş evrişimsel sinir ağı, AlexNet, DenseNet201, ResNet18, ResNet50, ResNet101, VGG16, VGG19 transfer öğrenme yöntemi kullanılarak ağaç kabuğu görüntülerinden ağaç türü tanımlamasının mümkün olduğu gösterilmiştir. Bunu yanı sıra transfer öğrenme yönteminin bu tür problemlere hızlı ve başarılı çözümler getireceği gösterilmiş ve ağların derinlik, katman, parametre sayısının ve parti büyüklüğünün (Batch Size) çözüme etkisi incelenmiştir. Çalışmada kullanılan tüm ağların, görüntü sayısı ve eğitim verisi oranına bağlı olarak başarı ortalamaları %93,21 ile %95,89 arasındayken, en başarılı iki ağın başarı ortalaması ise %99,46’dır.
The deep learning method is to identify the trees from the trees of the skin, to move the trees to the future, to protect the trees of vital importance, to make sustainable management plans of forest resources, to explore the nature of those who do not have experience in botanics, to identify the subtypes of different or the same class in the fruit industry, to protect the trees of vital importance, to protect the trees of the forest resources, to identify the nature of those who do not have experience in botanics, to identify the subtypes of different or the same class in the fruit industry, to identify the subtypes of different or the same class, to identify the subtypes of different or the same class, to identify the subtypes of different or the same class, to identify the subtypes of different or the same class. The tree cutting operations in the sectors and the processing of trees are a problem solution that can be useful in the proper and efficient use of trees. But although the latest developments in deep learning have shown impressive results, the lack or insufficiency of the data set has restricted the use of deep learning in the identification of trees. In order to contribute to the work in this area and to show that it is possible to identify trees from the trees of 59 trees species 24.686 trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees of the trees. This data set has shown that it is possible to identify the type of tree from the trees of the trees, using the transfer learning method AlexNet, DenseNet201, ResNet18, ResNet50, ResNet101, VGG16, VGG19. In addition, it has been shown that the transfer learning method will bring quick and successful solutions to such problems and the effect of network depth, layer, number of parameters and party size (Batch Size) has been studied. Depending on the ratio of all the networks used in the study, the number of images and the educational data, the average success rate is between 93.21% and 95.89%, while the average success rate of the two most successful networks is 99.46%.
Alan : Mimarlık, Planlama ve Tasarım; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
