Evrişimsel Sinir Ağı Modellerinde Özellik Seçim Yöntemlerini Kullanarak Çiçek Görüntülerinin Sınıflandırılması

Abstract

Görüntü işleme yöntem ve tekniklerinin gün geçtikçe daha iyi sonuç vermesi, ekolojik dengenin duyarlılığı açısından önem arz etmektedir. Bu makale ekolojik dengenin temel unsuru olan çiçek görüntülerinin sınıflandırılmasını ele almaktadır. Son zamanlarda çiçek görüntüleri üzerinde derin öğrenme yöntemlerinin kullanımı artmıştır. Bu çalışmada, çiçek görüntülerinin sınıflandırılması için internette erişime açık olan veri seti kullanılmıştır. Veri seti 4326 görüntüden oluşmaktadır. Elde edilen veri kümesinde özellik çıkarımı için derin öğrenme modellerinden evrişimsel sini ağı (ESA) kullanılmıştır. ESA mimarilerinden AlexNet, VGG-16 ve VGG-19 modelleri kullanılmıştır. Üç modelinde ortak özelliği 1000 özellik veren tam bağlantılı katmana sahip olmalarıdır. Çiçek görüntülerinden elde edilen özellikler destek vektör makineleri (DVM) ile sınıflandırılmış ve elde edilen sonuçlar karşılaştırılmıştır. Karşılaştırma sonucunda en iyi sınıflandırma performansını VGG-16 mimarisi ile sağlanmıştır. Elde edilen sınıflandırma doğruluk oranı %86,56’dır. Sonraki aşamada ESA mimarilerinin son tam bağlantılı katmanından elde edilen 1000 özellik birleştirilerek 3000 özellik seti oluşturuldu. Ardından, özellik seçim yöntemlerinden; Maksimum Bilgi Katsayısı (MBK), Ridge regresyonu ve Özyinelemeli Özellik Eleme (ÖÖE) yöntemleri kullanılarak özellik sayısı 300’e düşürülmüştür. Özellik seçim yöntemleri ile çıkartılan en verimli özellikler DVM yöntemi ile yeniden sınıflandırılmıştır. Sınıflandırma başarı oranı yaklaşık %4,54 artarak %91,10 olmuştur. Bu çalışma ile çiçek görüntülerinin sınıflandırılmasında ESA mimarileri ile birlikte özellik seçim yöntemlerinin kullanımının etkili olduğu gözlemlenmiştir.The fact that image processing methods and techniques give better results every day is important for the sensitivity of ecological balance. This article deals with the classification of plant species, which is the main element of the ecological balance. Recently, the use of deep learning methods on plant species has increased. Another aim of our study is to create a reference for comparing the image data used in this field to other studies which will use the same data set. In this study, five-class plant images that are accessible for the classification of plant species were utilized. The data set consists of 4242 images. In the data set, the convolutional neural network (CNN) from deep learning models was used for feature extraction. The features obtained from plant species were classified by support vector machines (SVM) and the results obtained were compared. As a result of the comparison, the best classification performance was provided by VGG-16 architecture. The obtained classification accuracy rate is 86.56%. In the next phase, the number of properties of the last layer of CNN architectures was reduced by using the Maximal Information Coefficient (MIC), Ridge Regression and Recursive Feature Elimination  (RFE). The most efficient features derived from feature selection methods were re-classified with SVM. The classification success rate increased by 5.24% and became 91.10%. In this study, it was observed that the use of feature selection methods together with CNN architectures were effective in the classification of flower species.