Pirinç ürününün derin öğrenme teknikleri kullanılarak sınıflandırılması

Pirinç hem küresel ölçekte hem de Türkiye özelinde stratejik öneme sahip temel bir gıda maddesi ve ekonomik bir tarımsal üründür. Özellikle Asya kıtasında yoğunlaşan üretim faaliyetlerine ek olarak, Türkiye'de de Edirne, Samsun ve Manisa gibi bölgelerde pirinç üretimi yaygın olarak sürdürülmektedir. Dünyada ve Türkiye'de morfolojik, renk ve şekil olarak çok farklı pirinç türleri mevcuttur. Ancak geleneksel yöntemlerle gerçekleştirilen manuel sınıflandırma işlemleri, zaman ve maliyet açısından verimsizliklere yol açmakta ve bu durum tarımda daha yenilikçi ve otomasyona dayalı yaklaşımların gerekliliğini ortaya koymaktadır.Bu bağlamda yürütülen çalışmada, Türkiye'de yaygın olarak yetiştirilen Arborio, Basmati, Jasmine, İpsala ve Karacadağ pirinci çeşitlerinin sınıflandırılması amacıyla, her bir tür için 15 000 olmak üzere toplamda 75 000 görüntüden oluşan kapsamlı bir veri seti kullanılmıştır. Görüntüler hem morfolojik özellikler hem de RGB ve HSV renk uzayları temelinde değerlendirilmiş; sınıflandırma işlemleri derin öğrenmeye dayalı Evrişimsel Sinir Ağları (CNN) aracılığıyla gerçekleştirilmiştir. Çalışma kapsamında VGG-16, InceptionV3, EfficientNetB0, ResNet50 ve DenseNet gibi yaygın olarak kullanılan transfer öğrenme modellerine ek olarak, katmanlı iyileştirmelerle geliştirilen yedi farklı yeni model mimarileri test edilmiştir. Bu süreçte uygulanan veri ön işleme ve veri artırma teknikleri, model performanslarını olumlu yönde etkilemiş ve sınıflandırma doğruluklarında anlamlı artışlar sağlanmıştır. Yapılan karşılaştırmalı değerlendirmeler sonucunda, test edilen tüm modellerin yüksek başarı oranları sergilediği gözlemlenmiş; özellikle geliştirilen Model 7, %99,6 doğruluk oranı ile öne çıkarak transfer öğrenme tabanlı modellerle rekabet edebilecek düzeye ulaşmıştır. Elde edilen bulgular, pirinç çeşitlerinin sınıflandırılmasında evrişimsel sinir ağları ve transfer öğrenme yöntemlerinin yüksek doğrulukla çalışabildiğini göstermektedir. Bu çalışma, tarımsal ürünlerin sınıflandırılmasında yapay zekâ destekli otomasyon sistemlerinin etkinliğini ortaya koymakta ve bu teknolojilerin tarım sektöründe verimliliği artırmaya yönelik uygulamalarda geniş bir kullanım potansiyeline sahip olduğunu göstermektedir.