AI Summary & Key Takeaways
AI InsightÇalışmada 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.
📌 3 Key Takeaways
Özet
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.