Siirt Fıstığının Derin Öğrenme Yöntemleriyle Sınıflandırılması
Abstract views: 7
/ 
PDF downloads: 8
DOI:
https://doi.org/10.5281/zenodo.15038490Keywords:
Derin Öğrenme, Evrişimsel Sinir Ağları (CNN), ResNet Modelleri, Siirt FıstığıAbstract
Tarım sektörü, kalite kontrol ve sınıflandırma süreçlerinde genellikle manuel yöntemlere
dayanmakta olup bu da süreçlerin hem zaman alıcı hem de hata oranlarının yüksek olmasına neden
olmaktadır. Gelişen teknolojiyle birlikte, tarım ürünlerinin otomatik olarak sınıflandırılmasını sağlayacak
yapay zeka temelli yaklaşımlar, hem üreticilere hem de tüketicilere çeşitli avantajlar sunma potansiyeline
sahiptir. Bu çalışmada, Siirt fıstığı örneği üzerinden derin öğrenme tabanlı bir sınıflandırma modeli
geliştirilmiştir. Çalışmanın ilk aşamasında, Siirt fıstığının kalite kriterleri belirlenmiş ve bu kriterlere göre
geniş bir veri seti oluşturulmuştur. Veri seti, farklı kalite sınıflarını (örneğin, iri, orta boy, düşük kaliteli;
deformasyona uğramış ya da renk farkı olan fıstıklar) kapsayacak şekilde çeşitlendirilmiştir. Derin öğrenme
modeli olarak evrişimsel sinir ağları (CNN) tercih edilmiş ve modelin performansını artırmak için çeşitli
mimari düzenlemeler yapılmıştır. Modelin eğitimi ve testi sırasında hiperparametre optimizasyonu
gerçekleştirilmiş, doğruluk oranını artırmak için dropout, öğrenme hızı ayarı ve erken durdurma gibi
teknikler uygulanmıştır. Modelin performansı, doğruluk, kesinlik, duyarlılık ve F1 skor metriği kullanılarak
değerlendirilmiştir. Elde edilen sonuçlar, Siirt fıstığının sınıflandırılmasında geliştirilen derin öğrenme
modelinin %99 doğruluk oranı ile başarılı bir şekilde çalıştığını ortaya koymuştur. Modelin sonuçları,
geleneksel manuel sınıflandırma yöntemleri ile karşılaştırıldığında, hem zaman hem de doğruluk açısından
önemli avantajlar sağlamaktadır. Bu çalışma, tarım sektöründe kalite kontrol süreçlerini optimize etmek,
üreticilere verimlilik sağlamak ve tüketici memnuniyetini artırmak adına önemli bir adım olarak
değerlendirilmektedir. Gelecekteki çalışmalar için, daha büyük veri setlerinin oluşturulması, farklı derin
öğrenme mimarilerinin test edilmesi ve modelin gerçek zamanlı uygulamalarda denenmesi önerilmektedir.
Downloads
References
Brosnan, T., & Sun, D. W. (2004). Improving quality inspection of food products by computer vision––a review. Journal of food engineering, 61(1), 3-16.
Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and electronics in agriculture, 147, 70-90.
Aalami, N. (2020). Derin öğrenme yöntemlerini kullanarak görüntülerin analizi. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 1(1), 17-20.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1251-1258).
Singh, D., Taspinar, Y. S., Kursun, R., Cinar, I., Koklu, M., Ozkan, I. A., & Lee, H. N. (2022). Classification and analysis of pistachio species with pre-trained deep learning models. Electronics, 11(7), 981.
Ramesh, S., Hebbar, R., Niveditha, M., Pooja, R., Shashank, N., & Vinod, P. V. (2018, April). Plant disease detection using machine learning. In 2018 International conference on design innovations for 3Cs compute communicate control (ICDI3C) (pp. 41-45). IEEE.
Saleem, M. H., Potgieter, J., & Arif, K. M. (2019). Plant disease detection and classification by deep learning. Plants, 8(11), 468.
Sujatha, R., Chatterjee, J. M., Jhanjhi, N. Z., & Brohi, S. N. (2021). Performance of deep learning vs machine learning in plant leaf disease detection. Microprocessors and Microsystems, 80, 103615.
Vidyarthi, S. K., Tiwari, R., Singh, S. K., & Xiao, H. W. (2020). Prediction of size and mass of pistachio kernels using random Forest machine learning. Journal of Food Process Engineering, 43(9), e13473.
Heidary-Sharifabad, A., Zarchi, M. S., Emadi, S., & Zarei, G. (2021). An efficient deep learning model for cultivar identification of a pistachio tree. British food journal, 123(11), 3592-3609.
Singh, D., Taspinar, Y. S., Kursun, R., Cinar, I., Koklu, M., Ozkan, I. A., & Lee, H. N. (2022). Classification and analysis of pistachio species with pre-trained deep learning models. Electronics, 11(7), 981.
Aktaş, H., Kızıldeniz, T., & Ünal, Z. (2022). Classification of pistachios with deep learning and assessing the effect of various datasets on accuracy. Journal of Food Measurement and Characterization, 16(3), 1983-1996.
Hosseinpour-Zarnaq, M., Omid, M., Taheri-Garavand, A., Nasiri, A., & Mahmoudi, A. (2022). Acoustic signal-based deep learning approach for smart sorting of pistachio nuts. Postharvest Biology and Technology, 185, 111778.
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4700-4708).
İnik, Ö., & Ülker, E. (2017). Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
