Makine Öğrenimi ve Derin Öğrenme Metotları Kullanılarak Hurma Meyvesi Türü Tespiti

Authors : Tolga Aydın, Ferhat Bozkurt, Rüstem Muhammed Karademir

Pages : 382-395

Doi:10.21597/jist.1554150

View : 172 | Download : 128

Publication Date : 2025-06-01

Article Type : Research Paper

Abstract :Meyve ve sebze görüntülerinin analizi endüstriyel tarımda tanımlama ve sınıflandırma süreçlerinde önemli bir rol oynamaktadır. Hızla artan insan nüfusu ve bu doğrultuda yükselen tüketim miktarı analiz ve sınıflandırma işlemlerini otomatikleştirmeyi mecbur kılmaktadır. Geleneksel olarak uzmanlar tarafından yapılan görsel inceleme ve yorumlama yöntemleriyle gerçekleştirilen bu analiz süreci zaman alıcı ve öznel olabilir. Ancak son yıllarda derin öğrenme tekniklerinin gelişimi meyve ve sebze görüntülerinin otomatik analizinde büyük bir potansiyel sunmaktadır. Bu çalışmada klasik makine öğrenimi ve derin öğrenme modellerinin hurma meyvesinin türlerine ayrılması için nasıl kullanılabileceği incelenmektedir. Lojistik Regresyon, GaussianNB, KNN, SVM ve Random Forest gibi yaygın olarak kullanılan makine öğrenimi modelleri ile Evrişimli Sinir Ağları (ESA) temeline dayanan CNN, RNN ve ANN gibi derin öğrenme modelleri kullanılarak, hurma meyvesine ait görüntü tabanlı olmayıp morfolojik özelliklerden oluşan sayısal bir veri seti üzerinde eğitimler ve testler yapılmıştır. Ayrıca deneysel bir çalışma gerçekleştirilerek bu farklı makine öğrenimi ve derin öğrenme modellerinin performansı karşılaştırılmıştır. Yapılan testlere göre en yüksek %92.44 doğruluk oranı RNN modeli ile elde edilmiştir. Sonuç olarak makine öğrenimi ve derin öğrenme tabanlı modellerin meyve görüntülerinin analizi alanında önemli bir potansiyele sahip olduğu görülmektedir. Bu teknikler sınıflandırma aşamasında yüksek doğruluk ile süreçlere hız kazandırarak endüstriyel tarımın gelişimine katkı sağlayabilir.
Keywords : Meyve görüntüleri analizi, Makine Öğrenimi, ESA

ORIGINAL ARTICLE URL