KİRAZ MEYVESİ GELİŞİM DÖNEMLERİNİN TAHMİNİNDE MULTİMODAL VERİ FÜZYONU İLE YAPAY ZEKA YAKLAŞIMLARININ KULLANILMASI

Abstract

Tarımsal üretimde ürünlerin olgunluk düzeyinin hassas ve hızlı bir biçimde belirlenmesi hasat zamanının optimizasyonu, ürün kalitesinin korunması ve ekonomik kayıpların minimize edilmesi açısından büyük önem taşımaktadır. Özellikle ihracat potansiyeli yüksek olan kiraz gibi meyvelerde, olgunluk derecesinin doğru sınıflandırılması hem üretici hem de tüketici için kritik bir süreçtir. Bu tez çalışmasında, kiraz meyvesinin farklı olgunluk evrelerinin tespitine yönelik çoklu veri kaynaklarına dayalı (multimodal) makine öğrenmesi tabanlı bir yaklaşım önerilmektedir. Çalışma kapsamında, Elazığ ilindeki bahçelerden toplanan beş farklı olgunluk seviyesine ait örneklerden toplam 3.000 adet yüksek çözünürlüklü görüntü elde edilmiştir. Görüntü verileri üzerinde ön işleme ve öznitelik çıkarımı işlemleri uygulanmıştır. Buna ek olarak, ilgili olgunluk dönemlerine ait meteorolojik veriler ve meyvelerin kimyasal analiz sonuçları çalışmaya dahil edilmiştir. Görsellerden elde edilen Evrişimsel Sinir Ağı (CNN) tabanlı öznitelikler ile meteorolojik veriler ve kimyasal veriler birleştirilerek hibrit bir veri seti oluşturulmuştur. Sınıflandırma aşamasında Destek Vektör Makineleri (SVM), XGBoost, Lojistik Regresyon, Rastgele Orman (Random Forest), Çok Katmanlı Algılayıcı (MLP) ve K-En Yakın Komşu (KNN) algoritmaları kullanılarak performans karşılaştırması yapılmıştır. Deneysel sonuçlar incelendiğinde, XGBoost algoritması %98,83 doğruluk oranı ile en yüksek başarıyı gösterirken, KNN algoritması %86,17 doğruluk oranı ile en düşük performansı sergilemiştir. Elde edilen bulgular, önerilen makine öğrenmesi tabanlı yaklaşımın kiraz olgunluk sınıflandırmasında yüksek doğruluk sağladığını ve tarımsal karar destek sistemlerinde etkin bir şekilde kullanılabileceğini göstermektedir.

Accurate and rapid determination of the maturity level of agricultural products is of great importance for optimizing harvest time, preserving product quality, and minimizing economic losses. Especially for fruits with high export potential such as cherries, the accurate classification of maturity stages is a critical process for both producers and consumers. In this master's thesis, a machine learning-based approach relying on multimodal data sources is proposed for the identification of different maturity stages of cherries. Within the scope of the study, a total of 3,000 high-resolution images were obtained from samples representing five different maturity levels collected from orchards in Elazığ Province. Preprocessing and feature extraction procedures were applied to the image data. In addition, meteorological data corresponding to the relevant maturity periods and the chemical analysis results of the fruits were incorporated into the study. A hybrid dataset was constructed by integrating Convolutional Neural Network (CNN)-based features extracted from the images with the meteorological data and chemical data. In the classification stage, performance comparisons were conducted using Support Vector Machines (SVM), XGBoost, Logistic Regression, Random Forest, Multilayer Perceptron (MLP), and K-Nearest Neighbors (KNN) algorithms. The experimental results indicate that the XGBoost algorithm achieved the highest performance with an accuracy of 98.83%, whereas the KNN algorithm exhibited the lowest performance with an accuracy of 86.17%. The findings demonstrate that the proposed machine learning-based approach provides high accuracy in cherry maturity classification and can be effectively utilized in agricultural decision support systems.