Kolektif Derin Öğrenme ve Transfer Öğrenme Yoluyla Mahsul ve Meyve Sınıflandırması

Abstract

Son yıllarda yapılan teknolojik gelişmeler, tarım sektörünü hızlı bir şekilde yeniden şekillendirerek, daha önce kullanılmakta olan geleneksel metotlarda devrim yaratıyor ve insanlık için daha sürdürülebilir ve üretken bir geleceğin yolunu açıyor. Tarım sektörü, makine öğrenmesi, sensor ve mekanizmaları kullanarak otomatikleşirken, aynı zamanda verimlilik artımı, kaynak yönetimi ve mahsul sağlığı açısından da köklü bir değişim yaşıyor. Bu tez çalışmasında, son teknoloji makine öğrenimi tabanlı görüntü işleme teknikleri ve algoritmaları kapsamlı bir şekilde araştırılmış ve analiz edilmiştir. Amaç, çeşitli mahsulleri, meyveleri ve sebzeleri doğru bir şekilde tespit eden, tanımlayan ve sınıflandıran sağlam metodolojiler geliştirmektir. Nihai hedef, gelişen tarımsal otomasyon endüstrisine önemli ölçüde katkıda bulunmak, süreçleri kolaylaştırmak ve tarım sektöründe verimliliği arttırmaktır. Gerçek yaşam koşullarına en yakın sonuçları elde etmek için, yazarların kendi oluşturduğu mahsul veri kümeleri bu araştırma boyunca önerilen algoritmalara entegre edilmiş ve kullanılmıştır. Bu çalışma sırasında kullanılan mevcut Evrişimsel Sinir Ağları algoritmaları AlexNet, GoogleNet, InceptionV3, SqueezeNet, DenseNet ve VGG-16'dır. Bu çalışmada, doğruluk, kayıp, F1-skoru, tahmin, kesinlik ve duyarlılık olmak üzere genel değerlendirme metriklerinin performansını yükseltmek için çeşitli gelişmiş algoritmalar araştırılmış ve incelenmiştir. Özellikle, tarımsal otomasyon sisteminin etkinliğini ve güvenilirliğini arttırmayı amaçlayan Kolektif Öğrenme ve Öğrenme Aktarımı adlı iki metot tanıtılmış ve kapsamlı bir şekilde analiz edilmiştir. Çalışmanın sonuçları, önerilen algoritmaların tarım endüstrisinde son derece etkili olduğunu ve istenen sonuçları benzersiz bir doğruluk ve hassasiyetle sunma yeteneklerini kanıtlamaktadır. Bu sonuçlar, bu algoritmaların operasyonel verimliliği önemli ölçüde arttırma, kaynak tahsisini optimize etme ve gelecek için tarımsal otomasyonda sürdürülebilir uygulamaları teşvik etme gibi potansiyellerini de göstermekte ve teyit etmektedir.

In recent years, technology has been rapidly reshaping and transforming agricultural farming, revolutionizing traditional methodologies, and paving the way for a more sustainable and productive future for humanity. By automating these practices using machine learning tools, sensors, and machines, the agricultural sector is experiencing profound changes in terms of increased efficiency, resource management, crop health, and more. This thesis thoroughly researched and analyzed state-of-the-art machine learning-based vision frameworks and techniques on CNN models to further investigate if performance improvement can be achieved. The primary objective was to develop robust methodologies that accurately detect, identify, and classify various crops, fruits, and vegetables. The ultimate goal was to contribute significantly to the burgeoning agricultural automation industry, facilitating streamlined processes and optimizing efficiency in the farming sector. In order to obtain results close to real-life conditions, self-created crop datasets are integrated into the algorithms proposed throughout this research.The existing classifiers evaluated during this study are AlexNet, GoogleNet, InceptionV3, SqueezeNet, DenseNet and VGG-16. This study explored and examined various advanced algorithms to elevate the performance of the overall evaluation metrics, including accuracy, loss, F1-score, prediction, specificity, and recall. Notably, the Ensemble Method and Transfer Learning are proposed and thoroughly analyzed, aiming to enhance the effectiveness and reliability of the agricultural automation system. The results of the study proved that the proposed algorithms were highly effective in the agricultural industry, demonstrating their ability to deliver the desired results with improved accuracy and precision. The obtained results confirmed the potential of these algorithms to significantly improve operational efficiency, optimize resource allocation and promote sustainable practices in agricultural automation for the future.