SavedAdd your journal

Journals / Bitlis Eren Üniversitesi Fen Bilimleri Dergisi / 2026 / Volume: 9 Issue: 2

Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması

Fatih Ahmet Şenel(SÜLEYMAN DEMİREL ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-1918-7277
Pages
—
Publication Date
2020-06-15
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuçlar göstermiştir ki, kayısı iç çekirdeklerinin sınıflandırılması işlemi makine öğrenmesi algoritmaları ile başarılı bir şekilde gerçekleştirilebilmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Türkiye’de üretimi ve tüketimi fazla olan kayısı iç çekirdeğinin makine öğrenmesi algoritmaları kullanılarak, tatlı veya acı olarak sınıflandırılması bu çalışmanın konusunu oluşturmaktadır.
📊
Key Findings & Data:Yeterli sayıda öznitelik ile algoritmaların yarıdan fazlası sınıflandırma işlemini %100 başarı ile elde edebilmektedir.
💡
Conclusion & Impact:Sonuçlar göstermiştir ki, kayısı iç çekirdeklerinin sınıflandırılması işlemi makine öğrenmesi algoritmaları ile başarılı bir şekilde gerçekleştirilebilmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Kayısı iç çekirdeği · Makine öğrenmesi · Sınıflandırma

Özet

Türkiye’de üretimi ve tüketimi fazla olan kayısı iç çekirdeğinin makine öğrenmesi algoritmaları kullanılarak, tatlı veya acı olarak sınıflandırılması bu çalışmanın konusunu oluşturmaktadır. Hem tatlı hem de acı kayısı iç çekirdeği için talep miktarı oldukça fazladır. Depolama şartları gibi nedenlerden dolayı kayısı iç çekirdekleri zaman zaman birbirine karışabilmektedir. Bu durum tüketiciler tarafından istenmeyen bir durumdur. Kayısı iç çekirdeğinin ayrıştırılması, gözle her zaman mümkün olmamaktadır. Bu çalışmanın amacı, insan faktörünü ortadan kaldırabilecek bir sınıflandırma yönteminin geliştirilmesidir. Bu sınıflandırma işlemi için k En Yakın Komşu, Destek Vektör Makinesi, Karar Ağacı, Rasgele Orman, Adaptive Boosting, Gaussian Naive Bayes ve Çok Katmanlı Algılayıcı algoritmaları kullanılmıştır. Yeterli sayıda öznitelik ile algoritmaların yarıdan fazlası sınıflandırma işlemini %100 başarı ile elde edebilmektedir. En az sayıda öznitelik kullanarak en iyi başarı Rasgele Orman algoritması ile elde edilmiştir. Sonuçlar göstermiştir ki, kayısı iç çekirdeklerinin sınıflandırılması işlemi makine öğrenmesi algoritmaları ile başarılı bir şekilde gerçekleştirilebilmektedir.

🔖

Cite This Article

Şenel, F. A. (2020). Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Volume: 9 Issue: 2. https://doi.org/10.17798/bitlisfen.586042

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Öztürk, N., Ulusoy, M. R., Erkılıç, L., Bayhan, S. Ö., “Malatya ili kayısı bahçelerinde saptanan zararlılar ile avcı türler.,” Bitki Koruma Bülteni, 2004.
  2. Wen, X., Jin, F., Regensteın, J. M., WANG, F., “Transglutaminase induced gels using bitter apricot kernel protein: Chemical, textural and release properties,” Food Biosci., vol. 26, pp. 15–22, 2018.
  3. Kaya, A., Okur, M., Üstyol, L., Temel, H., Çaksen, H., “Kayısı çekirdeği yeme sonrası akut siyanür zehirlenme olgusu,” Türk Pediatr. Arşivi, vol. 47, no. 2, 2012.
  4. Özcan, M., Özcan, F. B. T., Yaşartekin, Y., Yavuz, H., Sarıcı, S. Ü., “Kayısı çekirdeğine bağlı akut siyanür zehirlenmesi,” Cukurova Med. J., vol. 42, no. 3, pp. 600–601, 2017.
  5. Karhan, M., Oktay, M. O., Karhan, Z., Demir, H., “Morfolojik Görüntü İşleme Yöntemleri ile Kayısılarda Yaprak Delen (Çil) Hastalığı Sonucu Oluşan Lekelerin Tespiti,” in 6th International Advanced Technologies Symposium (IATS’11), 2011, pp. 16–18.
  6. Khojastehnazhand, M., Mohammadi, V., Mınaeı, S., “Maturity detection and volume estimation of apricot using image processing technique,” Sci. Hortic. (Amsterdam)., vol. 251, pp. 247–251, Jun. 2019.
  7. Hussain Hassan, N. M., Nashat, A. A., “New effective techniques for automatic detection and classification of external olive fruits defects based on image processing techniques,” Multidimens. Syst. Signal Process., vol. 30, no. 2, pp. 571–589, Apr. 2019.
  8. Alam, M. N., Pineda, I., Lim, J. G., Gwun, O., “Apple Defects Detection Using Principal Component Features of Multispectral Reflectance Imaging,” Sci. Adv. Mater., vol. 10, no. 7, pp. 1051–1062, Jul. 2018.
  9. Ye, D., Sun, L., Tan, W., Che, W., Yang, M., “Detecting and classifying minor bruised potato based on hyperspectral imaging,” Chemom. Intell. Lab. Syst., vol. 177, pp. 129–139, Jun. 2018.
  10. Wan, P., Toudeshki, A., Tan, H., Ehsani, R., “A methodology for fresh tomato maturity detection using computer vision,” Comput. Electron. Agric., vol. 146, pp. 43–50, Mar. 2018.
  11. Kalaycı, T. E., “Comparison of Machine Learning Techniques for Classification of Phishing Web Sites,” Pamukkale Univ. J. Eng. Sci., vol. 24, no. 5, pp. 870–878, 2018.
  12. Aydın, C., “Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması,” Eur. J. Sci. Technol., pp. 169–175, Dec. 2018.