AlexNet Mimarisi ile Muz Olgunlaşma Evrelerinin Sınıflandırılması-Reference-Cited by-同舟云学术

AlexNet Mimarisi ile Muz Olgunlaşma Evrelerinin Sınıflandırılması

Published:2023-08-25 Issue: Volume: Page:
ISSN:2148-2683
Container-title:European Journal of Science and Technology
language:tr
Short-container-title:EJOSAT

Author:

KESLER Selami¹^ORCID,KARAKAN Abdil²^ORCID,OĞUZ Yüksel³^ORCID

Affiliation:

1. PAMUKKALE ÜNİVERSİTESİ

2. AFYON KOCATEPE UNIVERSITY

3. AFYON KOCATEPE ÜNİVERSİTESİ

Abstract

Muz lezzetli meyvelerin en başında yer almaktadır. Muzun besleyici değeri yüksektir. Aynı zamanda muz besin değerleri bakımından yüksektir. Muzun içeriğinde yoğun miktarda potasyum bulunmaktadır. Muz dalından yeşil olarak toplanmaktadır. Muz kopartıldıktan sonra çok hızlı olgunlaşmaktadır. Muz yeşilden sarıya döndükçe olgunlaşmaktadır. Sarı muz olgunlaşmış aynı zamanda tatlanmıştır. Yapılan çalışma ile muz meyvesinin yedi farklı olgunlaşma evresinin yapay zekâ ile tespiti sağlanmıştır. Bunun için muz meyvesinin dalından koparıldıktan sonra olgunlaşıncaya kadar resimleri çekilmiştir. Muz meyvesinin yedi farklı olgunlaşma evresinden 700 fotoğraf çekilmiştir. Bu fotoğraflarla bir veri seti oluşturulmuştur. Bu veri seti ile derin öğrenme ile sınıflandırması gerçekleştirilmiştir. Derin öğrenmede AlexNet mimarisi kullanılmıştır. AlexNet mimarisi ile %96,63 oranında bir doğruluk elde edilmiştir.

Publisher

European Journal of Science and Technology

Subject

General Earth and Planetary Sciences,General Environmental Science

Reference13 articles.

1. Ağdaş, M, T., & Gülseçen, S. (2022). Automatic Weapon and Knife Detection System on Security Cameras: Comparative YOLO Models. European Journal of Science and Tecnology. 41, 16-22.

2. Bu, F., & Wang, X. (2019). A Smart Agriculture IoT system Basic on Deep Learning Reinforcement Learning. Future Generation Computer System. 99, 500- 507.

3. Chen, H., Chen, A., Xu, L., Xie, H., Qioa, H., Lin, Q., & Cai, K. (2020). A Deep Learning CNN Achitecture Applied in Smart Near-Inferad Analysis of Water Population for Agriculturel Irrigation Resources. Agriculturel Water Managemant. 240, 1-8,

4. Coulibaly, S., Kamsu B., & Kamissoko, D. (2022). Deep Learning for Precision Agriculture: A Bibliomtric Analysis. Intelligent System with Aplication. 16,1-18.

5. Gayani C, Kokul T, & Amalka P, A (2020). Comprehensive Study on Deep Image Classification with Small Datasets