Affiliation:
1. Bingöl Üniversitesi
2. BİNGÖL ÜNİVERSİTESİ, BİNGÖL TEKNİK BİLİMLER MESLEK YÜKSEKOKULU
3. İnönü Üniversitesi
Abstract
Bal arıları birçok etkenden dolayı ekosistemin en önemli bileşenlerinden biridir. Fakat son zamanlarda artan varroa paraziti, iklim değişiklikleri ve böcek istilası gibi etkenlerden dolayı bal arıları tehdit altındadır. Bundan dolayı son zamanlarda gelişmiş yapay zekâ teknikleri ile arılarının analiz edilmesi oldukça önemli bir araştırma konusu olmuştur. Bu çalışmada arı hastalıklarının sınıflandırılması için Evrişimsel sinir ağ mimarileri tabanlı bir topluluk öğrenme yaklaşımı sunulmuştur. ConvMixer, VGG16 ve ResNet101 tabanlı topluluk öğrenme yaklaşımı (CVR-TÖY) olarak adlandırılan bu model temel olarak VGG16, ResNet101 ve ConvMixer sınıflandırıcılarının tahmin skorlarının birleştirmesine dayanmaktadır. Bu sayede farklı yaklaşım teknikleri ile geliştirilen VGG16, ResNet101 ve ConvMixer yapılarının tahmin çıktıları etkili bir şekilde birleştirilerek bal arı hastalık sınıflandırma performansı artırılmıştır. Tahmin skorları birleştirilirken iki yaklaşım denenmiştir. Birinci yaklaşımda modellerin tahmin çıktılarının en yüksek değeri alınarak sınıflandırma tahmini yapılmıştır. İkinci model ise ortalama değer alma yaklaşımıdır. Ortalama değer alma yaklaşımının ortak akıl modeli ile en iyi sonucu ürettiği görülmüştür. Deneysel çalışmalarda 6 farklı kovan probleminden etkilenen arı görüntülerini içeren BeeImage Dataset (BI) veri kümesi kullanılmıştır. Bu deneysel çalışmada önerilen modelden %98.87 F1-skoru elde edilmiştir. Ayrıca yapılan deneysel çalışmada önerilen model son teknolojik modeller ile karşılaştırılmıştır. Karşılaştırma sonucunda önerilen modelin F1-skoru %2.31 daha yüksek performans göstermiştir.
Reference41 articles.
1. Muz MN, Özdemir N, Dilek M. Küresel arı sağlığı ve veteriner hekimlik. Veteriner Farmakoloji ve Toksikoloji Derneği Bülteni 2019; 10: 24-30.
2. Öztekin C, Çapa Aydın Y, Yılmaz Tüzün Ö. Biyoloji öğretmen adaylarının genel biyoloji konularındaki kavram yanılgıları, Hacettepe Üniversitesi Eğitim Fakültesi Dergisi 2000; 140–147.
3. Huckle J., "British Bee Journal," ed: British Bee Publications, London, England, 1882.
4. Berkaya SK, Gunal ES, Gunal S. Deep learning-based classification models for beehive monitoring. Ecol Inf 2021; 64: 101353.
5. Bjerge K, Frigaard CE, Mikkelsen PH, Nielsen TH, Misbih M, Kryger P. A computer vision system to monitor the infestation level of Varroa destructor in a honeybee colony. Comput Electron Agric 2019; 164: 104898.