YENİLEBİLİR MANTAR TÜRLERİNİN DERİN ÖĞRENME İLE SINIFLANDIRILMASI

Abstract

ÖZET

Bu çalışmada, yenilebilir mantarların sınıflandırması ve üzerindeki dokulara göre kalitesinin belirlenmesinde insan gücü olarak ayırt edilmesi meşaketli, dikkat gerektiren ve yorucu bir iştir. Ülkemizde Batı Karadeniz, Karadeniz, Ege ve Akdeniz bölgelerinde mantarın yoğun olarak bulunduğu ancak bilinmeyen değerli mantarların ekonomiye kazandırılmadan geçildiğini söylemek mümkündür. Bu çalışmada yüksek oranda verim sağlayan YoloV8 versiyonu ile derin öğrenme yöntemi kullanılarak mantar tanımlama çözümü önerilmiştir. Mantar görüntüleri toplanarak 9 tür mantar için 807 görüntü ile veri seti hazırlanmış ve derin öğrenme modelini hazırlanarak oluşan model ONNX türüne çevrilmiştir. Model geliştirme olarak mantarların kalite sınıflandırılması için geliştirmeler yapılmıştır. YoloV8 yöntemiyle geliştirilmiş mantar tanıma ve sınıflandırma modeli başarı oranı görüntü cihazı ile %99,98 olduğu gözlemlenmiştir. Yapılan çalışmalar incelendiğinde Inception-V3, VGG-16, Resnet50, Yolov4, Yolov5 ve geliştirilen CNN mimarilerindeki başarı oranı en yüksek %88,4 olarak belirlenmiş ve YoloV8 ile karşılaştırıldığında önerilen geliştirilmiş yöntemin daha verimli kapsamlı sonuçlara sahip olduğu görülmüştür. Mantarların tanınması ve kalitesine göre sınıflara ayrılması da etkili bir şekilde uygulanabilmektedir.

ABSTRACT

In this study, classifying edible mushrooms and determining their quality according to their components is a laborious, careful, and tiring task that requires manpower. It is possible to say that mushrooms are abundant in the Western Black Sea, Black Sea, Aegean and Mediterranean regions of our country, but unknown valuable mushrooms are passed without being brought into the economy. In this study, a mushroom identification solution was proposed using the deep learning method with the YoloV8 version, which provides good efficiency. By collecting mushroom images, a data set with 807 images for 9 species of mushrooms was prepared and the deep learning model was prepared and the resulting model was converted on ONNX type. As model development, improvements have been made for the quality classification of mushrooms. The success rate of the mushroom recognition and classification model developed with the YOLOV8 method was determined to be 99.98% with a 1080p display device. When the studies were examined, the success rate in Inception-V3, VGG-16, Resnet50, Yolov4, Yolov5 and the developed CNN architectures was determined to be 88.4% at most, and it was seen that the proposed improved method had more efficient and comprehensive results compared to YoloV8. Recognizing mushrooms and dividing them into classes according to their quality can also be applied effectively.