Akademik Veri Yönetim Sistemi
13TH INTERNATIONAL MARDIN ARTUKLU SCIENTIFIC RESEARCHES CONFERENCE, Mardin, Türkiye, 13 - 15 Ocak 2025, ss.1174-1180, (Tam Metin Bildiri)
Asma, bağcılıkta büyük öneme sahip olan ve pek çok farklı türü bulunan bir bitkidir. Bu tür çeşitliliği, asmanın gıda üretiminde yaygın olarak kullanılmasına imkân tanımaktadır. Asma türlerinin meyveleri; kuru üzüm, sofralık üzüm, pekmez, pestil ve meyve suyu gibi birçok gıda üretiminde kullanılarak tarımsal ekonomiye katkıda bulunmaktadır. Bunun yanı sıra, asma bitkisinin yalnızca meyvesi değil, yaprağı da önemli bir ticari üründür. Ülkemizde asma yaprağı, taze ve konserve şeklinde tüketilmekte olup, özellikle geleneksel Türk Mutfağı’nda önemli bir yere sahiptir. Ancak asmanın her çeşidinin yaprağı yemeklerde tüketilmemektedir. Genellikle yaprağı tüylü, fazla dilimli olan asma türlerinin yaprağı yemeklerde tercih edilmezken meyvesi birçok gıda üretiminde kullanılmaktadır. Bu nedenle bağcılar yetiştirecekleri asma türünü, üretimine katkı sağlamayı planladıkları ürüne göre tercih etmektedir. Asma türünün geleneksel sınıflandırılması uzman kişilerin bitki yapraklarının morfolojik özelliklerini inceleyerek karar vermesi süreci ile gerçekleşmektedir. Bu durum uzman bilgisi gerektirerek zaman alıcı olmaktadır. Bu nedenle asmanın yapraklarını otomatik olarak sınıflandıracak bir derin sinir ağı modelinin geliştirilmesi oldukça önemlidir. Bu çalışmada, açık veri setlerinden “Grapevine Leaves Image” kullanılarak Ak, Ala İdris, Büzgülü, Dimnit ve Nazlı asma yaprağı türlerine ait görüntüler, topluluk (ensemble) tabanlı bir derin sinir ağı mimarisi ile sınıflandırılmıştır. Bu mimari, ConvNeXt (Small), DenseNet201 ve EfficientNetB0 gibi ön eğitimli modellerin ağırlıklarını temel almaktadır. Bu üç modelin elde ettiği sınıflandırma sonuçları, esnek oylama (soft voting) tekniğiyle birleştirilmiştir. Böylece, modellerin ortak kararı üzerinden nihai tahmin elde edilmiştir. Önerilen mimari, her bir modelin tekil olarak eğitilmesiyle elde edilen sonuçlarla karşılaştırılmıştır. Bu karşılaştırma sonucunda, ConvNeXt (Small), DenseNet201 ve EfficientNetB0 tekil modelleriyle sırasıyla %93,00, %89,00 ve %96,00 doğruluk başarısı göstermiştir. Ancak önerilen topluluk tabanlı derin sinir ağı mimarisi, %98,00 doğrulukla tekil modellere kıyasla daha yüksek bir sınıflandırma performansı göstermiştir. Bu çalışma, asma yapraklarının türlerini yüksek doğrulukla sınıflandırarak tarımsal üretimde verimliliği artırma potansiyeline sahiptir.