Ceviz çeşitlerinin derin öğrenme teknikleri kullanılarak sınıflandırılması

Ceviz ağacı, tarihsel olarak hem yenilebilir meyvesi hem de yüksek kalitedeki ahşabı ile ekonomik açıdan değerli bir ağaç türü olarak öne çıkmıştır. Ceviz, Omega-3 yağ asitleri, antioksidanlar, protein ve lif gibi besin maddeleri açısından zengin olması nedeniyle sağlıklı beslenmenin önemli bir bileşeni olarak kabul edilmektedir. Ayrıca ceviz, beyin sağlığı ve kalp sağlığına katkıda bulunurken, bağışıklık sistemini güçlendiren ve iltihaplanmayı azaltan özelliklere sahiptir. Ceviz aynı zamanda, farklı mutfaklarda çeşitli yemeklerde ve tatlılarda kullanılarak gastronomi dünyasında da önemli bir yer tutmaktadır. Makine öğrenmesi alanında önemli bir yer edinen derin öğrenme, yapay sinir ağları kullanarak büyük veri kümelerindeki karmaşık yapıları ve desenleri tanımlamak, sınıflandırmak veya tahmin etmek amacıyla kullanılan bir teknolojidir. Sinir ağları yapısı içerisinde çeşitli katmanlardan oluşan derin öğrenme algoritmaları, verileri işleyerek yüksek seviyeli özellikler veya soyut kavramlar oluşturmakta ve doğrusal olmayan aktivasyon fonksiyonları kullanarak bilgileri daha karmaşık şekillerde birleştirmektedir. Tez çalışmamda, besin değeri açısından oldukça yüksek olan ceviz türlerinin sınıflandırılması amacıyla derin öğrenme metodundan yararlanılmış olup, farklı ceviz türlerinin özellikleri ve desenleri analiz edilerek besin değerine göre kategorize edilmesi hedeflenmiştir. Bu tez çalışmasında, Chandler, Fernor, Hekimhan, Kaman-1, Maraş-18 ve Oğuzlar-77 ceviz çeşitlerine ait görüntüler kullanılarak derin öğrenme tabanlı sınıflandırma gerçekleştirilmiştir. Çalışma kapsamında, Chandler türünden 408, Fernor türünden 459, Hekimhan türünden 485, Kaman-1 türünden 425, Maraş-18 türünden 393 ve Oğuzlar-77 türünden 610 olmak üzere toplamda 2780 görüntü elde edilmiştir. Bu görüntüler, ön işleme adımlarından geçirilerek, önceden eğitilmiş modeller olan DenseNet121, NASNetMobile ve MobileNet ile sınıflandırma işlemi yapılmıştır. Veri kümesi, %80 eğitim ve %20 test verisi olacak şekilde ikiye ayrılmıştır. Yapılan sınıflandırma işlemleri sonucunda, sırasıyla %80,25; %65,53 ve %83,66 başarı oranları elde edilmiştir. En yüksek sınıflandırma başarısı MobileNet modeliyle sağlanmıştır. Bununla birlikte, sınıflandırma başarılarının artırılması amacıyla parametre optimizasyonu yapılmıştır. Sonuç olarak, optimizasyon sonrası, ön eğitimli DenseNet121, NASNetMobile ve MobileNet modellerinin sınıflandırma başarısı sırasıyla %90,66; %87,61; %92,46 oranlarına yükseltilmiştir. Elde edilen diğer ayrıntılı sonuçlar, tezin ilgili bölümlerinde detaylı bir şekilde sunulmuştur.