Derin öğrenme yöntemi kullanarak tarımda verimliliği arttıran yeni bir hibrit model

Günümüzde tarım ürünlerinin üretimi ve bu üretimin devamlılığının sağlanması çok kritik bir öneme sahiptir. Bununla birlikte üretim aşamasındaki ürünlerin verimliliği çok önemlidir. Ürün veriminin yüksek olması çiftçinin ürün ve mali kaybını azaltacağı gibi tüketiciye de kaliteli ürün sağlayacaktır. Son yıllarda gelişen teknoloji ile birlikte tarım ürünlerinin verimliliğinin belirlenmesinde makine öğrenmesi ve derin öğrenme modelleriyle çalışmalar yapılmaktadır. Bu tez çalışmasında tarım ürünlerinin kalitesine göre verimliliğinin sınıflandırılması amacıyla derin öğrenme tabanlı yeni bir hibrit model tasarlanmıştır. Tasarlanan hibrit modelde bir derin öğrenme modeli olan CNN ile öznitelikleri çıkartılan görüntüler makine öğrenmesi modelleri ile sınıflandırılmıştır. Böylece en iyi hibrit model belirlenmiştir. Çalışma için Elma Veri Kümesi ve FruitsGB Veri Kümesi olmak üzere iki farklı veri kümesi kullanılmıştır. Elma Veri Kümesi dört farklı veri kümesi senaryosuna (Dataset_A, Dataset_B, Dataset_C, Dataset_D) ve aynı şekilde FruitsGB veri kümesi dört farklı veri kümesi senaryosuna (Meyve_A, Meyve_B, Meyve_C, Meyve_D) ayrılmıştır. Tüm modeller için doğruluk, hassasiyet, özgüllük, kesinlik, F1 skoru, dengeli doğruluk, Kappa skoru incelenmiş ve ROC analizleri yapılmıştır. Elma Veri Kümesi için en iyi sonucu veren hibrit model, %99,80 doğruluk oranı CNN-SVM (lineer) modeli ile Dataset_C veri kümesi senaryosunda elde edilmiştir. FruitsGB Veri Kümesi için en iyi sonucu veren hibrit model, %99,30 doğruluk oranı CNN-SVM (rbf) modeli ile Meyve_C veri kümesi senaryosunda elde edilmiştir. Çalışmanın sonuçlarına bakıldığında hibrit modelin etkili sonuçlar ortaya koyduğu gözlemlenmiştir.