Akademik Veri Yönetim Sistemi
TARMEK 2025 36. Ulusal Tarımsal Mekanizasyon ve Enerji Kongresi, Mardin, Türkiye, 10 Eylül - 12 Ekim 2025, ss.6-7, (Özet Bildiri)
Fasulye çeşitlerinin sınıflandırılmasında kalite değerlendirme kriterleri, temel olarak morfolojik özellikler (şekil, boyut ve renk) üzerinden belirlenmektedir. Ancak, benzer fenotipik özellikler gösteren fasulye çeşitleri arasındaki ayırt edici niteliklerin doğru bir şekilde tanımlanması, makine öğrenmesi tabanlı otomatik sınıflandırma sistemlerinin tahmin performansını önemli ölçüde etkilemektedir. Bu bağlamda, derin öğrenme ve bilgisayarlı görü teknikleri, sınıflandırma sürecindeki hata oranlarını minimize ederek sistemin yüksek doğrulukta, hızlı ve güvenli sonuçlar üretmesini sağlamaktadır.
Bu çalışmada, Akın, Batallı, Berrak, Bulduk, Gündoğan ve Topçu fasulye çeşitlerine ait toplam 4613 görüntüden oluşan kapsamlı bir veri seti oluşturulmuş ve bu veri seti üzerinde transfer öğrenme yöntemiyle beş farklı önceden eğitilmiş Evrişimli Sinir Ağı (ESA) modelleri (Xception, VGG16, VGG19, EfficientNetB0 ve EfficientNetB1) değerlendirilmiştir. Deneysel sonuçlara göre, modellerin test verisi üzerindeki sınıflandırma başarısı sırasıyla %98.67, %97.57, %95.80, %88.72 ve %95.58 olarak belirlenmiştir. Ayrıca, model performans değerlendirme metrikleri (kesinlik, duyarlılık ve F1 skoru) hesaplanmış ve Xception modelinin en yüksek performansa sahip olduğu görülmüştür. Xception modeli, %98.68 kesinlik, %98.67 duyarlılık ve %98.67 F1 skoru ile diğer modelleri geride bırakmıştır.
Araştırma sonucuna göre transfer öğrenme tabanlı ESA modelleri, fasulye çeşitlerinin yüksek doğrulukla sınıflandırılması hedefi doğrultusunda başarılı bir yaklaşım sunmuştur. Bu sonuçlar, tarımsal ürünlerin otomatik sınıflandırılması alanında derin öğrenme tekniklerinin potansiyelini vurgulamaktadır.