Öztekin, AbdulkerimErdoğan, Mesut2025-02-192025-02-192025-02-18Erdoğan, M. (2025). Tarım ürünlerinin sınıflandırılmasında derin öğrenme kullanımı: Siirt fıstığı örneği. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.https://hdl.handle.net/20.500.12402/4849Bu tez, tarım ürünlerinin sınıflandırılmasında derin öğrenme tekniklerinin potansiyelini incelemek ve uygulamalı bir model geliştirmek amacıyla hazırlanmıştır. Tarım sektörü, kalite kontrol ve sınıflandırma süreçlerinde genellikle manuel yöntemlere dayanmakta olup bu da süreçlerin hem zaman alıcı hem de hata oranlarının yüksek olmasına neden olmaktadır. Gelişen teknolojiyle birlikte, tarım ürünlerinin otomatik olarak sınıflandırılmasını sağlayacak yapay zeka temelli yaklaşımlar, hem üreticilere hem de tüketicilere çeşitli avantajlar sunma potansiyeline sahiptir. Bu çalışmada, Siirt fıstığı örneği üzerinden derin öğrenme tabanlı bir sınıflandırma modeli geliştirilmiştir. Çalışmanın ilk aşamasında, Siirt fıstığının kalite kriterleri belirlenmiş ve bu kriterlere göre geniş bir veri seti oluşturulmuştur. Veri seti, farklı kalite sınıflarını (örneğin, iri, orta boy, düşük kaliteli; deformasyona uğramış ya da renk farkı olan fıstıklar) kapsayacak şekilde çeşitlendirilmiştir. Görüntüler, gelişmiş görsel veri toplama teknikleri kullanılarak yüksek çözünürlükte elde edilmiş ve veri setinin zenginleştirilmesi amacıyla veri artırma yöntemleri uygulanmıştır. Derin öğrenme modeli olarak konvolüsyonel sinir ağları (CNN) tercih edilmiş ve modelin performansını artırmak için çeşitli mimari düzenlemeler yapılmıştır. Modelin eğitimi ve testi sırasında hiperparametre optimizasyonu gerçekleştirilmiş, doğruluk oranını artırmak için dropout, öğrenme hızı ayarı ve erken durdurma gibi teknikler uygulanmıştır. Modelin performansı, doğruluk, kesinlik, duyarlılık ve F1 skor metriği kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, Siirt fıstığının sınıflandırılmasında geliştirilen derin öğrenme modelinin %99 doğruluk oranı ile başarılı bir şekilde çalıştığını ortaya koymuştur. Modelin sonuçları, geleneksel manuel sınıflandırma yöntemleri ile karşılaştırıldığında, hem zaman hem de doğruluk açısından önemli avantajlar sağlamaktadır. Ayrıca, tarım sektöründeki diğer ürünlere uygulanabilirlik potansiyeli de değerlendirilmiştir. Bu çalışma, tarım sektöründe kalite kontrol süreçlerini optimize etmek, üreticilere verimlilik sağlamak ve tüketici memnuniyetini artırmak adına önemli bir adım olarak değerlendirilmektedir. Gelecekteki çalışmalar için, daha büyük veri setlerinin oluşturulması, farklı derin öğrenme mimarilerinin test edilmesi ve modelin gerçek zamanlı uygulamalarda denenmesi önerilmektedir.This thesis aims to investigate the potential of deep learning techniques in the classification of agricultural products and to develop an applied model. The agricultural sector generally relies on manual methods for quality control and classification processes, which makes these processes both time-consuming and error-prone. With the advancing technology, artificial intelligence-based approaches to automatically classify agricultural products have the potential to offer various advantages to both producers and consumers. In this study, a deep learning-based classification model is developed on the example of Siirt pistachio. In the first stage of the study, the quality criteria of Siirt pistachio were determined and a large dataset was created according to these criteria. The dataset was diversified to cover different quality classes (e.g., large, medium, low quality, deformed or discolored pistachios). The images were acquired at high resolution using advanced visual data acquisition techniques and data augmentation methods were applied to enrich the dataset. Convolutional neural networks (CNN) were chosen as the deep learning model and various architectural modifications were made to improve the performance of the model. During the training and testing of the model, hyperparameter optimization was performed and techniques such as dropout, learning rate adjustment and early stopping were applied to increase the accuracy rate. The performance of the model was evaluated using accuracy, precision, recall and F1 score metric. The results show that the developed deep learning model works successfully in the classification of Siirt pistachio with an accuracy rate of %99. The results of the model provide significant advantages in terms of both time and accuracy when compared to traditional manual classification methods. The potential for applicability to other products in the agricultural sector was also evaluated. This study is considered as an important step towards optimizing quality control processes in the agricultural sector, providing efficiency to producers and increasing consumer satisfaction. For future studies, it is recommended to create larger data sets, test different deep learning architectures and test the model in real-time applications.trinfo:eu-repo/semantics/openAccessDerin ÖğrenmeKonvolüsyonel Sinir AğlarıResnet ModelleriSiirt FıstığıTarım Ürünleri SınıflandırmasıYapay ZekâAgricultural Product ClassificationArtificial IntelligenceConvolutional Neural NetworksDeep LearningResnet ModelsSiirt PistachioMaster Thesis