Makine Öğrenme ve Derin Öğrenme Modelleri Kullanılarak Gümrük İşlem Belgelerinin Görsel Sınıflandırılması

Abstract

Gümrük işlemlerinde kullanılan belgelerin imgesel hallerini, makine öğrenmesi ve derin öğrenme modelleri ile sınıflandırma yapılmıştır. Resim sınıflandırma yöntemleri olarak, bu tez kapsamında, makine öğrenmesi alanında Gaussian Naive Bayes, Rastgele Orman ve Destek Vektör Makinesi; derin öğrenme alanında Evrişimsel Sinir Ağları, Görsel Dönüştürücü, ConvNext ve EfficientNetV2 yöntemleri kullanılmıştır. Model tiplerine özel olarak veri setleri düzenlenmiş olup, modellerin en uygun düzeyde çalışmasını sağlayacak şekilde belirlenen parametre değerleriyle modeller oluşturulmuş ve ilgili veri setleri ile eğitim ve testleri yapılmıştır. Modellerin karşılaştırılmaları eğitim süreleri ve doğruluk oranları açısından yapılmıştır. En iyi sonuçlar, yaklaşık 11 dakikalık eğitim süresi ve %98,32 doğruluk oranı ile Evrişimsel Sinir Ağı modeliyle elde edilmiştir. İkinci en yüksek doğruluk oranı %97,94 ile Rastgele Orman modelinde elde edilirken, genel anlamda ikinci en iyi sonuçlar ise yaklaşık 22 dakikalık eğitim süresi ve %95,89 doğruluk oranı ile EfficientNetV2 modeliyle elde edilmiştir.

The images of documents used in customs procedures were classified using machine learning and deep learning models. As image classification methods, Gaussian Naive Bayes, Random Forest, and Support Vector Machine were used in the machine learning field, and Convolutional Neural Network, Vision Transformer, ConvNext and EfficientNetV2 were used in the deep learning field. Datasets were organized specifically for each model type, and models were created with parameter values determined to ensure the models worked at the optimum level. Training and testing were conducted with the relevant datasets. The models were compared in terms of training times and accuracy rates. The best results were achieved with Convolutional Neural Network, which had a training time of approximately 11 minutes and an accuracy rate of 98,32%; second-best accuracy result achieved with Random Forest, which had an accuracy rate of 97,94% and second-best overall results achieved with EfficientNetV2, which had a training time of approximately 22 minutes and an accuracy rate of 95,89%.