SavedAdd your journal

Journals / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2018 / Cilt: 6 - Sayı: 1

Classification of Bee Species Using Support Vector Machines, YSA, K-Means and KNN

Destek Vektör Makineleri, YSA, K-Means ve KNN Kullanarak Arı Türlerinin Sınıflandırılması

Pakize ERDOĞMUŞ
Hasan DEMİR
Meral KEKEÇOĞLU
Pages
47–67
Publication Date
2022-10-12
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)

The best classification performance have been obtained with Neural Networks using with 27 feature and proposed intersection specifying method.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, it has been aimed at classifying of bee species according to the intersection points on the bee wings.
📊
Key Findings & Data:A basic and novel algorithm is proposed for specifying intersection points on the wings, with minimum error. 27 different features have been obtained using intersection points.
💡
Conclusion & Impact:The best classification performance have been obtained with Neural Networks using with 27 feature and proposed intersection specifying method.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Sınıflandırma · Bal Arısı Varyasyon · Kavşak seçim algoritması

Abstract

In this study, it has been aimed at classifying of bee species according to the intersection points on the bee wings. With this aim, intersection points are specified from the wing pictures attained five different city. A basic and novel algorithm is proposed for specifying intersection points on the wings, with minimum error. 27 different features have been obtained using intersection points. After normalasing, these features have been used for classification. Support Vector Machine, Neural Networks, K-means and K-nearest Neighbour have been used as classification and clustering methods. It has been seen that the proposed method has increased the classification performance of the algorithms. The best classification performance have been obtained with Neural Networks using with 27 feature and proposed intersection specifying method.

Özet

Bu çalışmada arı kanatları üzerindeki kavşak noktalarına göre arı türlerinin sınıflandırılması amaçlanmıştır. Bu amaçla beş farklı ilden alınan arı kanat resimleri üzerinde kavşak noktaları belirlenmiştir. Arı kanatları üzerinde kavşak noktalarının belirlenmesi işleminin minimum hata ile yapılması için yeni bir algoritma önerilmiştir. Kavşak noktaları kullanılarak 27 morfolojik özellik çıkarılmıştır. Bu özellikler normalize edilerek sınıflandırmada kullanılmıştır. Destek vektör makineleri, yapay sinir ağları, K-Ortalama ve K en yakın komşuluk sınıflandırma yöntemi olarak kullanılmış, yapay sinir ağları ile sınıflandırma diğer sınıflandırma yöntemlerine göre daha iyi sonuç vermiştir. Kavşak noktaları için önerilen algoritmanın sınıflandırma başarısını arttırdığı görülmüştür.

🔖

Cite This Article

ERDOĞMUŞ, P., DEMİR, H., KEKEÇOĞLU, M. (2022). Classification of Bee Species Using Support Vector Machines, YSA, K-Means and KNN. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 6 - Sayı: 1, 47–67. https://ajindex.com/articles/494500

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. L. Xu, C. Jiang, J. Wang, J. Yuan and Y. Ren, “Information Security In Big Data: Privacy and Data Mining,” IEEE Access, vol. 2, no. 1, pp. 1149–1176, 2014
  2. S. Özekes, “Veri Madenciliği Modelleri ve Uygulama Alanları,” İstanbul Ticaret Üniversitesi Dergisi, c. 2, s. 3, ss. 65-82, 2003
  3. E. Çomak, “Destek vektör makinelerinin eğitimi için yeni yaklaşımlar,” Doktora tezi, Elektrik Elektronik Mühendisliği Bölümü, Selçuk Üniversitesi, Konya, Türkiye, 2008
  4. M. Kayri ve M. Boysan, “Bilişsel Yatkınlık ile Depresyon Düzeyleri İlişkisinin Sınıflandırma ve Regresyon Ağacı Analizi ile İncelenmesi,” Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, c. 1, s. 34, ss. 168–177, 2008
  5. A. Gül, N. Sahinler, A.G. Onal, B.K. Hopkins and W.S. Sheppard, “Effects of Diluents and Plasma on Honey Bee (Apis mellifera L.) Drone Frozen-Thawed Semen,” Theriogenology, vol. 1, no. 101, pp. 109–113, 2017
  6. F. Ruttner, Biogeography and Taxonomy of Honeybees, 1st ed., Berlin, Germany: Springer Verlag, 1998, ss. 284
  7. G.Ö. Özbakır, “Güneydoğu sınır boyu bal arası popülasyonunun morfolojik özellikleri,” Doktora tezi, Biyoloji Bölümü, Ankara Üniversitesi, Ankara, Türkiye, 2011
  8. A.Settar, “Ege Bölgesi arı tipleri ve gezginci arıcılık üzerine araştırmalar,” Doktora tezi, Ege Ziraai Araştırma Enstitüsü, İzmir, Türkiye, 1983
  9. İ. Kandemir, M. Kence and A. Kence, “Genetic and morphometric variation in 89 honeybee (Apis mellifera) population of Turkey,” Apidology, vol. 31, no. 3, pp. 343–356, 2000
  10. M. Kekeçoğlu and M.I. Soysal, “Genetic Diversity of Bee Ecotypes in Turkey and Evidence for Geographical Differences,” Romanian Biotechnological Latters, vol. 15, no. 5, pp. 5646–5653, 2010
  11. M. Kekeçoğlu, “Batı Karadeniz Bal Arası Biyoçeşitliliği ve Düzce İlinin Yığılca İlçesinde Yeni Bir Bal Arısı Ekotipi,” Biyoloji Bilimleri Araştırma Dergisi, c. 3, s. 1, ss. 73–78, 2010
  12. A. Tofilski, “Using Geometric Morphometrics and Standard Morphometry to Discriminate Three Honeybee Subspecies,” Apidologie, vol. 39, no. 5, pp. 558–563, 2008
  13. D.R. Simith, “Genetic Diversity in Turkish Honey Bees,” Uludağ Arıcılık Dergisi, c. 2002, s. 3, ss. 10–15, 2002
  14. R. Hepburn and S.E. Radloff, “Apis Mellifera Capensis:an Essay on the Subspecific Classification of Honeybee,” Apidologie, vol. 33, no. 2, pp. 105–127, 2002
  15. T.M. Francoy, M. Drauschke, D. Wittmann, S. Müler, V. Steinhage, M.A.F.B. Laure, D.D. Jong and L.Ç. Gonçalves, “Identification of Africanized Hony Bees