SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 3

Arı hastalıklarının hibrit bir derin öğrenme yöntemi ile tespiti

Sedat METLEK
Kiyas KAYAALP
Pages
1715–1732
Publication Date
2021-05-24
DOI
—
🏛️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)

Bu çalışmada arıların sağlık durumlarının sınıflandırılması için derin öğrenme yöntemlerine dayalı hibrit bir yöntem önerilmiş ve başarılı sonuçlar elde edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Canlı türlerinin gelişiminde büyük bir etkisi olan arılar Dünya’da ki en eski canlı türlerinden birisidir.
📊
Key Findings & Data:Gerçekleştirilen çalışmada derin öğrenmenin güçlü yanlarından olan öznitelik çıkarma yöntemleri iki farklı koldan işletilerek, görüntülerdeki agresif değişiklikler tespit edilmiştir.
💡
Conclusion & Impact:Bu çalışmada arıların sağlık durumlarının sınıflandırılması için derin öğrenme yöntemlerine dayalı hibrit bir yöntem önerilmiş ve başarılı sonuçlar elde edilmiştir.
🔬Design:Lab & Field Experiment
📍Scope:Comprehensive Sample
⚙️Variables:Arı hastalıkları · derin öğrenme · evrişimsel sinir ağları

Özet

Canlı türlerinin gelişiminde büyük bir etkisi olan arılar Dünya’da ki en eski canlı türlerinden birisidir. Besin zincirinin en altında bulunan bitkilerin devamlılığı arıların tozlaşma yapmasıyla doğrudan ilgilidir. Arılar bu özelliğinden dolayı küresel bir sigorta konumundadır. Bu nedenle arıların sağlık durumlarının kontrol edilmesi oldukça önemlidir. Günümüzde gelişen teknolojiye bağlı olarak, arıların sağlık durumlarının uzaktan gerçek zamanlı görüntü işleme uygulamaları ile kontrol edilebilmesi mümkün olabilmektedir. Gerçekleştirilen çalışmada derin öğrenmenin güçlü yanlarından olan öznitelik çıkarma yöntemleri iki farklı koldan işletilerek, görüntülerdeki agresif değişiklikler tespit edilmiştir. Sınıflandırma işleminde, olasılık hesabına dayanan ve sınıf sayısı kadar çıkış veren Softmax sınıflandırıcısı ile tek bir çıkış verebilen ve bu çıkışta da sınıf bilgisini sunabilen çok katmanlı geri beslemeli yapay sinir ağı (ÇKGB-YSA) kullanılmıştır. Yapılan deneysel çalışmalar neticesinde, aynı veri seti üzerinde altı farklı arı hastalığı için softmax sınıflandırıcısı ile %92,70 başarım oranı yakalanabilirken, geliştirilen sistem ile %94,25 başarım oranı elde edilmiştir. Bu çalışmada arıların sağlık durumlarının sınıflandırılması için derin öğrenme yöntemlerine dayalı hibrit bir yöntem önerilmiş ve başarılı sonuçlar elde edilmiştir.

🔖

Cite This Article

METLEK, S., KAYAALP, K. (2021). Arı hastalıklarının hibrit bir derin öğrenme yöntemi ile tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 3, 1715–1732. https://ajindex.com/articles/198327

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Muz M.N., Demir N., Dilek M., Küresel Arı Sağlığı ve Veteriner Hekimlik, Veteriner Farmakoloji ve Toksikoloji Derneği Bülteni, 10 (1), 24–30, 2019
  2. Tekkaya C., Çapa Y., Yılmaz Ö., Biyoloji öğretmen adaylarının genel biyoloji konularındaki kavram yanılgıları, Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 18 (18), 2000
  3. Huckle J., British Bee Journal British Bee Publications, London, 1887
  4. D’Ascenzi C., Formato G., Martin P., Chemical hazards in honey, In: Chemical hazards in foods of animal origin, 642–647, Wageningen Academic Publishers 2019
  5. Richard F.J., Aubert A., Grozinger C.M., Modulation of social interactions by immune stimulation in honey bee, Apis mellifera, workers, BMC biology, 6 (1), 50, 2008
  6. Strauss U., Human H., Gauthier L., Crewe R.M., Dietemann V., Pirk C.W.W., Seasonal prevalence of pathogens and parasites in the savannah honeybee (Apis mellifera scutellata), Journal of Invertebrate Pathology, 114 (1), 45–52, 2013
  7. Larsen A., Reynaldi F.J., Guzmán-Novoa E., Fundaments of the honey bee (Apis mellifera) immune system. Review, Rev Mex Cienc Pecu, 10 (3), 705–728, 2019
  8. Forsgren E., Locke B., Sircoulomb F., Schäfer M.O., Bacterial diseases in honeybees, Current Clinical Microbiology Reports, 5 (1), 18–25, 2018
  9. Yost D.G., Tsourkas P., Amy P.S., Experimental bacteriophage treatment of honeybees (Apis mellifera) infected with Paenibacillus larvae, the causative agent of American foulbrood disease, Bacteriophage, 6 (1), 2016
  10. Pirsiavash H., Ramanan D., Detecting activities of daily living in first-person camera views, In: 2012 IEEE conference on computer vision and pattern recognition, 2847–2854, 2012
  11. Hammerla N.Y., Halloran S., Plötz T., Deep, convolutional, and recurrent models for human activity recognition using wearables, arXiv preprint arXiv:1604.08880, 2016
  12. Cho Y., Nam Y., Choi Y.-J., Cho W.-D., SmartBuckle: human activity recognition using a 3-axis accelerometer and a wearable camera, In: Proceedings of the 2nd International Workshop on Systems and Networking Support for Health Care and Assisted Living Environments, 1–3. 2008
  13. Fathi A., Farhadi A., Rehg J.M., Understanding egocentric activities, In: 2011 international conference on computer vision, 407–414, 2011
  14. Aktaş A., Doğan B., Demir Ö., Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti, Journal of the Faculty of Engineering & Architecture of Gazi University, 35 (3), 2020
  15. Kamnitsas K., Ledig C., Newcombe V.F.J., Simps