CNN algoritmalarının mantar sınıflandırmada önerilen hafif CNN modeli ile karşılaştırmalı analizi

Mantar türlerinin sınıflandırılması, ekolojik ve sağlıkla ilgili konularda önemli zorluklar ortaya koymaktadır; güvenilir tanımlamalar elde etmek için sınıflandırma tekniklerinde ilerleme kaydedilmesi gerekmektedir. Bu yüksek lisans tezi, mantar sınıflandırma görevi için özel olarak tasarlanmış yeni, hafif bir evrişimsel sinir ağının geliştirilmesi üzere tasarlanan ve değerlendirilen bir metodolojiyi açıklamayı amaçlamaktadır. Bu çalışma, gerçek zamanlı kullanıma uygun, hesaplama açısından uygun maliyetli ve yüksek hassasiyetli sınıflandırma yapabilen özel bir evrişimsel sinir ağı modeli sunmaktadır. Bu nedenle, önerilen modeli, geleneksel sınıflandırıcılar ve EfficientNet-B7, ResNet-50, InceptionV3 ve MobileNetV2 gibi son teknoloji evrişimsel sinir ağı mimarileri ile birlikte mantar görüntülerinden oluşan bir veri kümesi üzerinde değerlendiriyoruz. Özel modelin, hesaplama karmaşıklığını azaltırken modelin etkinliğinden ve yeteneğinden ödün vermeyecek şekilde tasarlanmasına özen gösterilmiştir. Bu yaklaşım, modelin düşük hesaplama kaynaklarına sahip platformlarda bile etkili bir şekilde çalışmasına yardımcı olur. Kapsamlı bir değerlendirme, tasarlanan evrişimsel sinir ağının yalnızca mevcut modellere kıyasla farklı mantar türlerinin tanımlanmasında makul bir doğruluğa sahip olduğunu değil, aynı zamanda sınıflandırma sürecini de önemli ölçüde hafiflettiğini ortaya koyacaktır. Bu çalışma, modelin farklı ve görülmemiş mantar türlerini sınıflandırabilmesi için aşırı öğrenme sorununu hafifletmek amacıyla gelişmiş düzenlileştirme tekniklerini entegre ederek modelin sağlamlığını daha da güçlendirmektedir. Son olarak, tezde görüntü arka planlarının çeşitliliğinin ve aydınlatma koşullarının değişkenliğinin veri kümelerinde model performansını etkilediği bilinen özellikler olduğu vurgulanmaktadır. Bu sonuçlar, başarılı bir makine öğrenimi modelinin eğitilmesinde iyi hazırlanmış bir veri kümesinin önemine ışık tutmakta ve modelin sağlamlığını artırmak amacıyla veri kümesi zenginleştirilmesine ilişkin stratejiler çizmektedir. Sonuç olarak, bu çalışma mantar sınıflandırması için güvenilir, verimli ve erişilebilir bir araç sağlayarak mikoloji alanına katkıda bulunmaktadır. Ayrıca, gerçek zamanlı ve yerinde biyolojik sınıflandırma görevleri için hafif karmaşıklığa sahip sinir ağlarının uygulanmasına yönelik gelecekteki araştırmalar için bir emsal oluşturmakta; ekoloji ve halk sağlığı alanlarında yapay zekâ odaklı tanımlama sistemlerinin daha geniş bir şekilde benimsenmesini teşvik etmektedir.