Dinamik Oylama Tabanlı Topluluk Derin Öğrenme ile Benzer Mahsullerin Sınıflandırılması

Abstract

Ürün başına ilaçlama, sulama ve hasat gibi akıllı tarım uygulamalarını gerçekleştirebilen otonom makinelerin geliştirilmesinde derin öğrenme tabanlı yaklaşımlar, özellikle görüntü sınıflandırma ve veri analizi gibi görevlerde başarılı uygulamalar sergilemektedir. Tarımsal üretimde verimliliği artırmak ve sürdürülebilirliği sağlamak için bitki türlerinin doğru tanınması ve yabancı otlardan ayırt edilmesi kritik bir öneme sahiptir. Birbirine benzer görünüme sahip tarımsal mahsullerin sınıflandırılması, mevcut yöntemlerle zorlu bir problem olmaya devam etmektedir. Bu araştırma, benzer görünümlü tarımsal ürünlerin otomatik olarak tanınması ve sınıflandırılması konusunda önemli bir adım olmakla birlikte, akıllı tarım teknolojilerinin geliştirilmesine yönelik teorik ve pratik bir temel oluşturmaktadır. Bu çalışma, genellikle birbirine çok benzeyen tarımsal mahsul görüntülerini sınıflandırmayı amaçlayarak 17 farklı derin öğrenme modeli ve dinamik oylama yöntemini kullanmaktadır. Veri seti, kenevir, mısır, pirinç, şeker kamışı ve buğday olmak üzere beş benzer görünümlü mahsul türüne ait toplam 804 görüntüden oluşmaktadır. Güvenilirliği sağlamak amacıyla 10 katlı çapraz doğrulama kullanılmış ve tüm modellerde aynı örnek setleriyle tutarlı deneyler gerçekleştirilmiştir. Elde edilen sonuçlar modellerin birbirine çok benzer tarımsal mahsül görüntülerini sınıflandırma performanslarını doğruluk, eğitim süresi ve disk alanı açısından rapor etmektedir. Deneysel bulgulara göre, ShuffleNet test setinde %98,63 ile en yüksek bireysel doğruluğa ulaşmış, ancak topluluk yaklaşımı bu değeri %99,75'e yükseltmiştir. Önerilen topluluk yaklaşımı doğruluğu artırmakla kalmayıp daha fazla sağlamlık ve kararlılık sağlamaktadır. Ayrıca elde edilen teorik bilgi ve sonuçlar, bu alanda geliştirilecek akıllı tarım makinelerine entegre edilebilecek ve daha verimli şekilde çalışmasını sağlayacaktır.