Zeytin hastalıklarının derin öğrenme ile tespiti

Bu tez çalışmasında, zeytin meyvesinde yaygın olarak görülen iki önemli hastalığın zararlılara bağlı fiziksel bozulmalar ve fungal enfeksiyonlara dayalı deformasyonların görsel veriler üzerinden derin öğrenme yöntemleriyle sınıflandırılmasına yönelik kapsamlı bir analiz gerçekleştirilmiştir. Balıkesir ili Bandırma ilçesindeki zeytinliklerden toplanan 1644 meyve örneği "sağlıklı", "zeytin sineği ısırıklı" ve "mantar hastalıklı" olmak üzere üç sınıfa ayrılmıştır. Tüm meyveler, sabit ışık koşullarında özel olarak tasarlanmış bir görüntüleme kutusunda fotoğraflanmış; ardından segmentasyon, eşikleme, morfolojik işlemler ve nesne yerelleştirme gibi görüntü işleme adımlarıyla sınıflandırmaya hazır hâle getirilmiştir. Modelleme sürecinde, dokuz farklı CNN tabanlı önceden eğitilmiş mimari (VGG16, ResNet50, InceptionV3, DenseNet121, vb.) ile birlikte altı adet dikkat tabanlı Transformer modeli (ViT, BEiT, DeiT III, MobileViT, LeViT, MaxViT) kullanılmış; her biri on farklı optimizasyon algoritması ile ayrı ayrı eğitilerek sınıflandırma performansları karşılaştırmalı olarak analiz edilmiştir. Bunun yanı sıra, MetaFormer iskeletine dayalı CaFormer, ConvFormer ve IdentityFormer gibi mevcut modeller test edilmiş ve bu yapılarla aynı veri seti üzerinde sistematik karşılaştırmalar gerçekleştirilmiştir. Çalışmanın özgün katkılarından biri olarak, MetaFormer mimarisinden esinlenilerek altı yeni hibrit yapı önerilmiştir. Bu yapılar, konvolüsyonel, rastgele, kimliksel ve Transformer bloklarının farklı kombinasyonlarıyla oluşturulmuş ve sınıflandırma doğruluğu, model karmaşıklığı ve eğitim süresi gibi çok boyutlu ölçütlerle değerlendirilmiştir. Ayrıca, DeformationScore adını taşıyan ve lokal doku yoğunluğu ile kenar duyarlılığına dayalı skor üretimi gerçekleştiren yeni bir token mixer modülü tasarlanmış; MetaFormer çerçevesine entegre edilerek DeformationScoreFormer adlı tamamen yeni ve özgün bir model ortaya konmuştur. Model performansları; doğruluk, F1 skoru, karışıklık matrisi ile eğitim ve kayıp eğrileri gibi metrikler üzerinden ayrıntılı olarak değerlendirilmiştir. Elde edilen sonuçlar hem klasik CNN tabanlı modellerin hem de Transformer ve MetaFormer mimarilerinin sınırlı veri koşullarında dahi zeytin meyvesi hastalıklarını yüksek doğrulukla sınıflandırabildiğini ortaya koymuştur. Özellikle önerilen hibrit MetaFormer yapılarının, bazı durumlarda daha düşük hesaplama maliyetiyle daha yüksek sınıflandırma başarımı sunduğu gözlemlenmiştir. Bu çalışma, zeytin üretiminde hastalık tespiti ve kalite kontrol süreçlerine yönelik derin öğrenme tabanlı yaklaşımların etkinliğini göstermekte; aynı zamanda tarımsal görüntü analizinde model seçimi ve mimari tasarım kararlarına rehberlik eden bir kaynak sunmaktadır.