SavedAdd your journal

Journals / Mühendislik Bilimleri ve Araştırmaları Dergisi / 2023 / Cilt: 5 Sayı: 1

Haploid ve Diploid Mısırların Aktif Öğrenme Yaklaşımı ile Sınıflandırılması

Ali GÜNEŞ
Emrah DÖNMEZ
Pages
57–66
Publication Date
2023-04-30
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)

Önerilen sistem kullanılarak, daha az sayıda örnekle daha yüksek doğruluğa sahip bir destek vektör sınıflandırıcı eğitilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Tarım ürünleri arasında mısır bitkisi başlıca besin kaynakları içerisinde gösterilmektedir.
📊
Key Findings & Data:Mısır bitkilerinde karşılaşılan önemli konulardan birisi ıslah sürecidir.
💡
Conclusion & Impact:Önerilen sistem kullanılarak, daha az sayıda örnekle daha yüksek doğruluğa sahip bir destek vektör sınıflandırıcı eğitilmiştir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Aktif Öğrenme · Bilgisayar Destekli Tarım · Destek Vektör Makinesi

Özet

Tarım ürünleri arasında mısır bitkisi başlıca besin kaynakları içerisinde gösterilmektedir. Mısır bitkilerinde karşılaşılan önemli konulardan birisi ıslah sürecidir. Islah çalışmalarında tohumların haploid ve diploid tiplerinin belirlenmesi büyük önem taşımaktadır. Geleneksel olarak, gıda ürünlerinde haploid ve diploid mısır türlerinin saptanması için uzman analizi kullanılır. Uzman analizi, zaman alıcı, sübjektif ve pahalıdır. Bilgisayarlı görü tabanlı çözümler, tarımsal uygulamalar için oldukça makul gereksinimlerdir. Bu çalışmada, haploit ve diploit mısırların aktif öğrenme kullanılarak saptanması için bir görüntüleme sistemi önerilmiştir. Geleneksel yaklaşımların aksine, sınıflandırıcı ile ilgili örneklerin algılanması ve etiketlenmesi için aktif bir öğrenme şeması kullanılır. Önerilen sistem kullanılarak, daha az sayıda örnekle daha yüksek doğruluğa sahip bir destek vektör sınıflandırıcı eğitilmiştir.

🔖

Cite This Article

GÜNEŞ, A., DÖNMEZ, E. (2023). Haploid ve Diploid Mısırların Aktif Öğrenme Yaklaşımı ile Sınıflandırılması. Mühendislik Bilimleri ve Araştırmaları Dergisi, Cilt: 5 Sayı: 1, 57–66. https://ajindex.com/articles/911601

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. B.W. Boote, D.J. Freppon, G.N. de La Fuente, T. Lübberstedt, B.J. Nikolau, and E.A. Smith “Haploid differentiation in maize kernels based on fluorescence imaging”, Plant Breeding, vol. 35, no. 4, pp. 439-445 2016.
  2. G.N. de La Fuente, J.M. Carstensen, M.A. Edberg, and T. Lü bberstedt “Discrimination of haploid and diploid maize kernels via multispectral imaging”, Plant Breeding, vol. 136, no. 1, pp. 50-60, 2017.
  3. J. Lin, L. Yu, W. Li, and H. Qin “Method for Identifying Maize Haploid Seeds by Applying Diffuse Transmission Near-Infrared Spectroscopy”, Applied Spectroscopy, vol. 72, no. 4, pp. 611–617, 2018.
  4. Y. Altuntas, A.F. Kocamaz, R. Cengiz, and M. Esmeray “Classification of haploid and diploid maize seeds by using image processing techniques and support vector machines”, 26th IEEE Signal Processing and Communications Applications Conference, 2018.
  5. X.-Y. Wang, W.-X. Liao, D. An, and Y. Wei “Maize Haploid Identification via LSTM-CNN and Hyperspectral Imaging Technology”, CoRR arXiv, vol. abs/1805.0, 2018.
  6. L. Yu, W. Liu, W. Li, H. Qin, J. Xu, and M. Zuo “Non-destructive identification of maize haploid seeds using nonlinear analysis method based on their near-infrared spectra”, Biosystem Engineering, vol. 172, pp. 144-153, 2018.
  7. Y. Altuntaş, Z. Cömert, and A.F. Kocamaz “Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach”, Comp. and Elect. in Agr., vol. 163, pp. 1-11, 2019. E. Donmez “Discrimination of Haploid and Diploid Maize Seeds Based on Deep Features”, 28th Signal Processing and Communications Applications Conference, 2020. E. Dönmez “Classification of Haploid and Diploid Maize Seeds based on Pre-Trained Convolutional Neural Networks”, Celal Bayar Üniversitesi Fen Bilimleri Dergisi, vol. 16, no. 3, pp. 323–331, 2020. E. Dönmez “Enhancing classification capacity of CNN models with deep feature selection and fusion: A case study on maize seed classification”, Data and Know. Eng., vol. 141, p. 102075, pp. 1-12, 2022.
  8. A. Gunes, A.S. Bilgi, G. Ortac, H. Kalkan, and K. Tasdemir “Active learning method for classifying the mold contaminated figs”, 24th Signal Processing and Communication Application Conference, 2016.
  9. H. Kalkan, A. Güneş, E. Durmuş, and A. Kuşçu “Non-invasive detection of aflatoxin-contaminated figs using fluorescence and multispectral imaging”, Food Additives and Contaminants - Part A, vol. 31, no. 8, pp. 1414-1421, 2014.
  10. P. Pudil, J. Novovičová, and J. Kittler “Floating search me