Tarım endüstrisinde makine öğrenme ve derin öğrenme sistemlerinin kullanımı
oldukça büyük bir artış göstermiştir. Tarımsal ürünlerin çeşitlerinin tanınması
sınıflandırılması üretim kalitesini ve verimliliğini olumlu yönde etkilemektedir. Tarım
ürünleri arasında buğday ülkemizde ve dünyada insanların ihtiyaçlarını karşılaması
açısından gıda ve sanayi sektöründe oldukça büyük bir paya sahiptir. Türkiye aynı zamanda
dünyanın önde gelen buğday ihracatçılarından biridir. Dolayısıyla üretiminin sağlanması ve
devamlılığı ülkemiz ve dünya ekonomisi adına da oldukça önemlidir. Buğday tanelerinin
kalitesi, genetik ya da çevresel faktörlerden etkilenmektedir. Yıllardır göz ardı edilen bu
durum, büyük maddi kayıplara neden olmaktadır. Buğdayın kalite düzeyinin ve çeşitlerinin
doğru belirlenmesi de üretim kalitesini de doğrudan etkilemektedir. Çeşitlerin tanınması ve
çeşitlerin kimliğini belirleyebilmek için sınıflandırma yöntemlerinin hayata geçirilmesi,
depolama işlemlerin doğru bir şekilde yapılmasını sağlayacaktır. Böylece işlemler daha hızlı
ilerleyecek; zaman, emek ve para kaybının önüne geçilebilecektir. Dolayısıyla buğday çeşidi
ne kadar hızlı ve doğru tanınırsa üretilen buğdayın kalitesi de ona göre belirlenir. Doğru
sınıflandırma ve tanıma yapılabilmesi için yeni teknolojik sistemler geliştirilmektedir. Bu
çalışma kapsamında üç farklı görüntüleme tekniğinden (RGB, VNIR, SWIR) elde edilmiş
8000 adet buğday görüntüsünden oluşturulan veri seti üzerinde tanıma ve sınıflandırma
çalışmaları yapılmıştır. 6400 görüntü eğitim için ayrılırken 1600 görüntü test için
kullanılmıştır. Tanıma doğruluğunu arttırmak adına öncelikle imge (image) füzyonu ve
öznitelik (feature) füzyonu olmak üzere iki farklı füzyon yöntemi uygulanmıştır. Bu
yöntemler buğday çekirdeği sınıflandırması üzerinde sırasıyla %98,19 ve %100 doğruluk
oranları elde edilerek yüksek başarılar elde edilmiştir. Bunların yanı sıra yalnızca VNIR
görüntüleme tekniğinden elde edilen 8000 buğday çekirdeği görüntüsünden oluşan veri seti
ile VGG16 ve Shallow (sığ) olmak üzere iki farklı derin öğrenme modeli üzerinde çalışma
yapılmıştır. Shallow modelinin performansı %80,13'lük bir doğruluk oranına ulaşırken,
VGG16 modeli üzerinden %91,13’lük bir doğruluk sağlanmıştır. Eğitimler sonucu elde
edilen sonuçlara göre derin öğrenme yöntemlerinin parametrik bağımlılara göre daha başarılı
olduğu görülmüştür. Geliştirilen bu sistem etkili ve zahmetsiz tanımlama ve sınıflandırma
imkânı sunarken aynı zamanda derin öğrenme teknolojisinin buğday çekirdeği türlerini
yüksek performans ile ayırt edebileceğini göstermektedir. Ülke ekonomisinde büyümeye
yaptığı katkının yanı sıra buğday endüstrisinde insan iş gücünü azaltarak daha fazla
verimlilik ve üretkenlik sağlamak adına önemli bir adım atılmasını sağlamaktadır
The use of machine learning and deep learning systems in the agricultural industry
has increased considerably. Recognition and classification of agricultural products positively
affects production quality and productivity. Among the agricultural products, wheat has a
large share in the food and industrial sector in terms of supplying the needs of people in our
country and the world. Turkey is also one of the world's leading wheat exporters. Therefore,
the continuity of production is so important for our country and the world economy. The
quality of wheat grains is affected by genetic or environmental factors. This situation, which
has been ignored for many years, causes huge financial losses. Correct determination of the
quality level and types of wheat also directly affects the production quality. Implementation
of classification methods for the identification of varieties will ensure that the storage
operations are performed correctly. Thus, transactions will proceed faster; loss of time, labor
and money can be prevented. Therefore, the more quickly and accurately the wheat type is,
the better the quality of wheat produced. New technological systems have been developed
for accurate classification and recognition. In this way, manpower is minimized, time and
labor are saved. In this project, recognition and classification studies were performed on the
data set composed of 8000 wheat images obtained from three different imaging techniques
(RGB, VNIR, SWIR). While 6400 images were used for the training, 1600 images were used
for testing. In order to increase the accuracy of recognition, two different fusion methods
were performed: image fusion and feature fusion. These methods have achieved a high
success rate of 99.95% on wheat seed classification. These methods have achieved high
success on wheat seed classification with 98.19% and 100% accuracy rates, respectively. In
addition, two different deep learning models, VGG16 and Shallow, were used by using a
data set consisting of 8000 wheat kernels images obtained from VNIR imaging technique
only. Performance the Shallow model achieved an accuracy of 80.13%, while the VGG16
model achieved an accuracy of 91.13%. According to the results of obtained by simulations,
deep learning methods were found to be more successful than parametric dependent based
ones. This developed system provides effective and effortless identification and
classification, also demonstrates that deep learning technology can distinguish wheat seed
species with high performance. In addition to his contribution to growth in the national
economy, an important step was taken to ensure greater efficiency and productivity by
reducing human labor in wheat industry
