Entegre emgi ve yabancı madde analiz sisteminin geliştirilmesi

Abstract

Yapay Zekâ (AI) ve Bilgisayarlı Görü (CV) teknolojilerinin entegrasyonu, tarım uygulamalarında, özellikle buğday kalite değerlendirmesinde büyük katkılar sağlamaktadır. Bu çalışmada, verim ve kalite üzerinde önemli bir etkiye sahip olan Süne zararı ve yabancı madde tespiti gibi kritik bir sorun incelenmektedir. Geleneksel zararlı kontrolü ve manuel inceleme yöntemleri, emek yoğun, zaman alıcı ve insan hatasına açık yöntemlerdir. Önerilen sistem, buğday tanelerinin yüksek çözünürlüklü görüntülerini birden fazla açıdan yakalamayı, zaman damgaları kullanarak verileri senkronize etmeyi ve doğru tespit sağlamak için gelişmiş kalibrasyon teknikleri kullanmayı hedeflemektedir. Bu tez, derin öğrenme tabanlı bilgisayarlı görü teknolojilerinin buğday tanesi sınıflandırmasındaki uygulanabilirliğini kapsamlı bir şekilde değerlendirmektedir. Çalışma kapsamında, üç sınıftan (sağlıklı, hastalıklı, yabancı madde) oluşan 5.155 RGB buğday tanesi görüntüsünden meydana gelen bir veri seti üzerinde toplam 14 farklı derin öğrenme modeli eğitilmiş ve karşılaştırılmıştır. Modeller iki büyük aile altında gruplandırılmıştır: 9 torchvision CNN modeli (AlexNet, GoogLeNet, Inception v3, VGG16, VGG19, ResNet50, DenseNet121, MobileNetV3-Large, EfficientNetB0) ve 5 YOLO sınıflandırma varyantı (YOLOv5s-cls, YOLOv8n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls). Tüm modeller aynı veri bölünmesi (%70 eğitim / %15 doğrulama / %15 test) ve tutarlı hiperparametrelerle eğitilmiş; doğruluk, kesinlik, geri çağırma, F1, mAP@0.5, mAP@0.5:0.95, IoU, FPS ve gecikme süresi olmak üzere 9 metrik üzerinden değerlendirilmiştir. Deneysel sonuçlar, DenseNet121 modelinin %94,8 test doğruluğu ile en yüksek başarıyı elde ettiğini göstermiştir. Hız-doğruluk dengesi açısından YOLO11s-cls modeli %94,1 doğruluk ve 744 FPS ile en iyi seçenek olarak öne çıkmıştır. Kenar cihazlarda dağıtım için YOLOv8n-cls modeli görüntü başına 0,86 ms gecikme süresi ve 1159 FPS ile öne çıkmıştır. Genelleme kabiliyeti analizinde EfficientNet-B0, GoogLeNet ve DenseNet121 en düşük eğitim-test farkına (≤5 puan) sahip modeller olmuştur. Grad-CAM görselleştirmeleri, ağın hastalıklı tanelerde lezyon bölgelerine, yabancı maddelerde ise nesnenin konturuna odaklandığını ortaya koymuştur. Elde edilen bulgular, derin öğrenme tabanlı bir buğday kalite kontrol sisteminin endüstriyel inceleme hatlarında gerçek zamanlı olarak uygulanabilir olduğunu kanıtlamaktadır. Bu çalışma, gelecekteki tarımsal otomasyon sistemlerine zemin oluşturacak yeniden üretilebilir bir kıyaslama çerçevesi sunmaktadır. Anahtar Kelimeler: Yapay Zekâ, Süne Zararlısı Hasarı, YOLO, Buğday Kalite Değerlendirmesi.

Integration of Artificial Intelligence (AI) and Computer Vision (CV) technologies is making significant contributions to agricultural applications, particularly in wheat quality assessment. This study examines a critical issue: Suni bug damage and foreign material detection, both of which have a major impact on yield and quality. Traditional pest control and manual inspection methods are labor‑intensive, time‑consuming, and prone to human error. The proposed system aims to capture high‑resolution images of wheat kernels from multiple angles, synchronize the data using timestamps, and employ advanced calibration techniques to ensure accurate detection. This thesis comprehensively evaluates the applicability of deep learning‑based computer vision technologies for wheat kernel classification. Within the scope of the study, a total of 14 different deep learning models were trained and compared on a dataset consisting of 5,155 RGB wheat kernel images from three classes (healthy, damaged, foreign material). The models were grouped into two major families: 9 torchvision CNN models (AlexNet, GoogLeNet, Inception v3, VGG16, VGG19, ResNet50, DenseNet121, MobileNetV3‑Large, EfficientNet‑B0) and 5 YOLO classification variants (YOLOv5s‑cls, YOLOv8n‑cls, YOLO11s‑cls, YOLO11m‑cls, YOLO11l‑cls). All models were trained with the same data split (70% training / 15% validation / 15% test) and consistent hyperparameters, and evaluated on 9 metrics: accuracy, precision, recall, F1, mAP@0.5, mAP@0.5:0.95, IoU, FPS, and latency. Experimental results show that the DenseNet121 model achieved the highest success, with a test accuracy of 94.8%. In terms of speed‑accuracy trade‑off, the YOLO11s‑cls model stood out as the best option with 94.1% accuracy and 744 FPS. For deployment on edge devices, the YOLOv8n‑cls model excelled with a latency of 0.86 ms per image and 1159 FPS. In the generalization capability analysis, EfficientNet‑B0, GoogLeNet, and DenseNet121 were the models with the smallest training‑test gap (≤5 points). Grad‑CAM visualizations revealed that the network focuses on lesion regions in damaged kernels and on the object contour in foreign materials. The findings prove that a deep learning‑based wheat quality control system is feasible for real‑time deployment in industrial inspection lines. This study provides a reproducible benchmarking framework that will lay the groundwork for future agricultural automation systems Keywords: Artificial Intelligence, Sunn Pest Damage, YOLO, Wheat Quality Assessment.