Derin öğrenme ile mantar türlerinin sınıflandırılması

Abstract

Bu tez çalışması, zehirli ve zehirsiz mantarların görsel olarak ayırt edilmesi için derin öğrenmeye dayalı bir yaklaşımı ele almaktadır. Çalışmanın temel amacı, nesne algılama yöntemi kullanarak mantar görüntülerinin otomatik olarak tanınmasına katkıda bulunmaktır. Araştırmada, zehirli sınıfı temsil etmek için Amanita muscaria, zehirsiz sınıfı temsil etmek için ise Pleurotus ostreatus ve Agaricus bisporus görüntüleri kullanılmıştır. Görüntüler, farklı açılar, farklı aydınlatma koşulları ve çeşitli arka planlar içerecek şekilde hazırlanmıştır. Böylece amaç, kontrollü ortam dışındaki görüntülere karşı model için daha sağlam bir öğrenme yapısı geliştirmektir. Çalışmada, görüntüler nesne algılama yaklaşımına uygun olarak etiketlenmiş ve veri artırma süreçleri uygulanmıştır. Eğitim süreci için temel olarak YOLOv8 mimarisi kullanılmıştır. Veri yapısı, etiketleme şeması ve eğitim parametreleri birlikte değerlendirildiğinde, seçilen yöntemin problemin doğasıyla uyumlu olduğu görülmüştür. Bulguların yorumlanması sonucunda, veri çeşitliliğinin model başarısı için kritik öneme sahip olduğu ve sınıf dengesizliğinin, özellikle zehirli sınıflarda, dikkatlice değerlendirilmesi gereken bir risk oluşturduğu anlaşılmıştır. Literatür taraması, derin öğrenme tabanlı modellerin tarımsal görüntü işleme alanında yaygın olarak kullanıldığını, ancak genelleme kapasitesi ve gerçek saha koşullarına adaptasyonun hâlâ önemli araştırma konuları olduğunu göstermektedir. Sonuç olarak, bu tez, mantarların otomatik tespiti için uygulanabilir bir temel model çerçevesi sunmakta ve bu alanda veri kalitesi, etiketleme disiplini ve sınıf dengesi gibi faktörlerin belirleyici rolünü ortaya koymaktadır. Bu çalışmanın, gelecekteki mobil karar destek sistemleri ve saha tabanlı akıllı teşhis uygulamaları için bir temel oluşturabileceği düşünülmektedir.

This thesis addresses a deep learning-based approach for visually distinguishing poisonous and non-poisonous mushrooms. Its main objective is to contribute to the automatic recognition of mushroom images using an object detection method. Amanita muscaria was used to represent the poisonous class, while Pleurotus ostreatus and Agaricus bisporus represented the non-poisonous class. The images were prepared to include different angles, lighting conditions, and backgrounds, aiming to develop a more robust learning structure for images outside controlled environments. The images were labeled according to the object detection approach, and data augmentation was applied. The YOLOv8 architecture was used as the basis for training. Evaluating the data structure, labeling scheme, and training parameters together showed that the chosen method is compatible with the nature of the problem. The findings revealed that data diversity is critical for model success and that class imbalance, especially in the poisonous class, is a risk requiring careful consideration. The literature review shows that deep learning-based models are widely used in agricultural image processing, but generalization capacity and adaptation to real field conditions remain important research topics. In conclusion, this thesis presents a viable baseline model framework for automated mushroom detection and reveals the decisive role of data quality, labeling discipline, and class balance. This study may form a foundation for future mobile decision support systems and field-based intelligent diagnostic applications.