CEVİZ SÜRGÜN GÖRÜNTÜLERİ KULLANILARAK CEVİZ ÇEŞİTLERİNİN SINIFLANDIRILMASI

Yıl 2023, Cilt: 6 Sayı: 2, 42 - 52, 30.12.2023

Kıyas Kayaalp , Ali Altınalan

Öz

Ülkemizde ceviz, kabuklu yemişler arasında en çok tüketilen yemiş türüdür. Ancak ihtiyacı karşılayacak kadar ceviz üretimi yapılamamaktadır. Ceviz dikilirken toprağa ve uygun iklim koşullarına göre türlerinin seçilmesi gerekir. Sınıflandırılması için ceviz meyvesinden yararlanılmaktadır. Ceviz ağacının yetiştirilip meyve vermesi için en az 4-5 yıl geçmesi gerekir. Bu süre zarfından sonra ürüne göre gerçek sınıflandırma işlemi yapılabilmektedir. Geçen süreyi kısaltabilmek için ceviz sürgün görüntüleri ile derin öğrenme modelleri kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Bunun için 10 farklı ceviz türüne ait 3552 ceviz sürgün görüntüsü kullanılmıştır. Görüntüler Isparta ili, Eğirdir ilçesinde yer alan Tarım ve Orman Bakanlığı Meyvecilik Araştırma Enstitüsü Müdürlüğü’ne ait, ceviz ağaçlarının yetiştiriciliğinin ve bakımının yapıldığı bahçeden elde edilmiştir. Gerçekleştirilen eğitim sonucunda en iyi sonuç %91,87 doğruluk oranı ile EfficientNetB0 derin öğrenme modelinden elde edilmiştir.

Anahtar Kelimeler

Ceviz Sürgünü, CNN, Derin Öğrenme, Sınıflandırma

Kaynakça

• [1] Güzel, B., & Okatan, E. (2022). Tarım ve Yapay Zeka. In M. Bilen (Ed.), Yapay Zekanın Değiştirdiği Dinamikler (pp. 199–224). Eğitim Yayınevi.
• [2] TÜİK. (2023). Türkiye İstatistik Kurumu Bitkisel Üretim İstatistikleri. TÜİK.
• [3] FAO. (2023). Food and Agriculture Organization of the United Nations (FAO) Walnuts Production Statistics. FAO. http://www.fao.org/faostat/en/#data/QC.
• [4] Güvenç, İ., & Kazankaya, A. (2019). Türkiye’de ceviz üretimi, dış ticareti ve rekabet gücü. Yuzuncu Yıl University Journal of Agricultural Sciences, 29(3), 418–424.
• [5] Özkan, M., & Kar, G. (2022). Türkçe Dilinde Yazılan Bilimsel Metinlerin Der in Öğrenme Tekniği Uygulanarak Çoklu Sınıflandırılması. Mühendislik Bilimleri ve Tasarım Dergisi, 10(2), 504–519.
• [6] Öztürk, T., & Katar, O. (2022). A Deep Learning Model Collaborates with an Expert Radiologist to Classify Brain Tumors from MR Images. Turkish Journal of Science and Technology, 17(2), 203–210.
• [7] Dalkıran, İ., & Ozan, M. (2022). Derin Öğrenme Teknikleri Kullanılarak Borsadaki Hisse Değerlerinin Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, 39, 143–148.
• [8] Kayaalp, K., & Metlek, S. (2020). Classification of robust and rotten apples by deep learning algorithm. Sakarya University Journal of Computer and Information Sciences, 3(2), 112–120.
• [9] Metlek, S., & Kayaalp, K. (2021). Detection of bee diseases with a hybrid deep learning method. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(3), 1715–1731.
• [10] Jun, L. U., Han, X. Z., & Wang, K. J. (2017). Classification of Collection Walnut Based on GLCM and SVM. 2nd International Conference on Test, Measurement and Computational Method (TMCM 2017), 276–281.
• [11] Sanlin, Z., Liping, Z., Weiqiang, Z., Zhuang, G., & Ziqiang, F. (2022). Identification and localization of walnut varieties based on YOLOv5. Journal of Chinese Agricultural Mechanization, 43(7), 167
• [12] Karadeniz, A. T., Çelik, Y., & Başaran, E. (2023). Classification of walnut varieties obtained from walnut leaf images by the recommended residual block based CNN model. European Food Research and Technology, 249(3), 727–738.
• [13] Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and Trends® in Signal Processing, 7(3–4), 197–387.
• [14] Altun, S., & Alkan, A. (2022). MR Spektroskopi kullanılarak beyin tümörü tespitinde LSTM tabanlı derin öğrenme uygulaması. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 38(2), 1193–1202. https://doi.org/10.17341/gazimmfd.1069632.
• [15] Dikici, B., Bekçioğulları, M. F., Açıkgöz, H., & Korkmaz, D. (2022). Zeytin Yaprağındaki Hastalıkların Sınıflandırılmasında Ön Eğitimli Evrişimli Sinir Ağlarının Performanslarının İncelenmesi. Konya Journal of Engineering Sciences, 10(3), 535–547.
• [16] Shi, R., Li, T., & Yamaguchi, Y. (2020). An attribution-based pruning method for real-time mango detection with YOLO network. Computers and Electronics in Agriculture, 169, 105214. https://doi.org/10.1016/j.compag.2020.105214.
• [17] Aktaş, H. (2022). Antep fıstığının derin öğrenme ile dış kabuk rengine göre sınıflandırılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 1.
• [18] Tan, M., & Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. International Conference on Machine Learning, 6105–6114.
• [19] Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4700–4708.
• [20] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2818–2826.
• [21] He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770–778.
• [22] Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1251–1258.