Detection and classification of brown marmorated stink bug (Halyomorpha halys) damage in hazelnut using image processing and deep learning techniques

Fındığın kalite kontrolü, dünyanın birçok bölgesinde, özellikle de dünyanın en büyük fındık üreticisi olan Türkiye'de büyük bir problem kaynağıdır. Bu çalışma, görüntü işleme ve derin öğrenme tekniklerini kullanarak Kahverengi Kokarca ile enfekte olmuş ve sağlıklı fındıkları birbirinden ayırarak belirlemek ve sınıflandırmak amaçlanmıştır. Kahverengi Kokarcalı fındık örnekleri, uzmanlar tarafından 2021 üretim döneminden elde edilmiştir. Fındık görüntülerini yakalamak için Guppy Pro CCD kamera tabanlı görüntü alma sistemi kullanılmıştır. Derin ve makine öğrenme modellerini eğitmek için toplam olarak 4540 RGB fındık görüntüsü alınmıştır. Fındık görüntülerinin arka plandan çıkarılması için görüntü bölüntüleme işlemi Eşikleme tekniği kullanılarak gerçekleştirilmiştir. Fındık moment özellikleri, geleneksel makine öğrenme modellerini eğitmek için kullanılmak üzere RGB ve l*a*b* renk çıkarılmıştır. Ayrıca, Boruta seçim yöntemi kullanılarak en ayırt edici öznitelik seti seçilmiştir. Derin öğrenme modeli için, üç evrişim katmanı, üç maksimum havuzlama katmanı, bırakma ve tam bağlantılı katmandan oluşan bir Evrişimsel Sinir Ağı (ESA) modeli oluşturulmuştur. Rastgele Orman, Destek Vektör Makinesi, Lojistik Regresyon, Naive Bayes ve Karar Ağacı dâhil olmak üzere geleneksel makine öğrenme modelleri, bir kez tüm özelliklerle ve diğeri yalnızca seçilmiş özelliklerle olmak üzere iki kez eğitilmiştir. Genel doğruluk, karışıklık matrisinin istatistiksel özellikleri ve model eğitim süresinin tümü, modelin sınıflandırma performansını karşılaştırmak için hesaplanmıştır. Kahverengi Kokarcalı fındık sınıflandırmasında en verimli modeli belirlemek için geleneksel makine öğrenme modelleri, derin evrişimli sinir ağı modelinin performansıyla karşılaştırılmıştır. Sonuç olarak 24 özellik arasından en ayırt edici özellik arasında sadece yedi tane renk özelliği belirlenmiştir. Tüm çıkartılmış özellikler kullandıktan sonra Destek Vektör Makinesi modeli kullanılarak %98.75 ile en yüksek sınıflandırma doğruluğu elde edilmiştir. Sadece seçilen özellikler kullanıldığında Rastgele Orman ve Lojistik Regresyon modellerinin performansı sırasıyla %97.5 ve %96.25'e yükselmiştir. %98.83 genel doğruluk ve 0.038 sınıflandırma hatası ESA modeli ile elde edilmiştir. Bu doğrulukla, ESA gerçek zamanlı fındık sınıflandırma sistemlerinde faydalı ve uygun olarak önerilmektedir.