This study was conducted to collect, preserve and identify local oat genotypes grown in the Central and Western Black Sea region. Within the scope of the research, 251 local oat genotypes were collected from the places where they were cultivated in Düzce, Bolu, Zonguldak, Karabük, Kastamonu, Ordu, Sinop, Samsun, Amasya and Tokat provinces. The collected genotypes together with 4 standard oat varieties were taken into field trial in Ondokuz Mayıs University Faculty of Agriculture Research and Application field according to Augmented trial design in 2008 and 2009 growing seasons. As a result of the study, it was found that there were significant variations in terms of the parameters examined. Among the genotypes, the growth pattern of the 229 genotypes was perpendicular, The cluster genotypes of 163 genotypes were scattered, 132 genotypes were yellow in color, 157 genotypes were strongly stringy and 154 genotypes had callus hairiness. When the Matrix table was examined, it was found that the local genotypes with semi-horizontal growth pattern were not found in Amasya, Karabük, Kastamonu, Samsun and Tokat locations. In particular, parameters such as growth type, cluster type, color of husk, awn condition and callus hairiness. it provides ease of identification, since it does not affect the environmental conditions. In the light of this information, it is thought that the genetic variation is high in terms of ecology in which local genotypes are collected and will be beneficial for the protection of our genetic resources and for the future of national agriculture.

Robotik hasat sistemlerinde lahana ve brokolinin derin öğrenme kullanılarak sınıflandırılması oldukça önemlidir. Derin öğrenme, yapay sinir ağları ve büyük veri setleri kullanılarak karmaşık modellerin öğrenilmesine olanak sağlayan bir makine öğrenme yöntemidir. Bu yöntem yardımıyla bitki sınıflandırmasında ve görsel tanıma problemlerinde etkili bir şekilde kullanılabilir. Lahana ve brokoli gibi bitkilerin sınıflandırılması için öncelikle bir derin öğrenme modeli oluşturulması gerekmektedir. Bu nedenle yapılan çalışmada derin öğrenme yöntemlerinden olan Inception_v3 görüntü tanıma ve sınıflandırma modellemesi kullanılmıştır. Çalışma oluşturulan 2 sınıf üzerinden yürütülmüştür. Oluşturulan sınıflar lahana ve brokoli’dir. Modelin eğitimi için Google Colab’ın sağladığı tpu donanım hızlandırıcısı kullanılmıştır. Eğitim döngüsü (epoch) sayısı 10’dur.Eğitim parametreleri olarak öğrenme hızı 0,001 tespit edilmiştir. Bu sonuçlara göre brokoli ve lahana data setin eğitimi için Inception_v3 modelinin başarılı olduğu sonucuna varılmıştır. Eğitim sürecinde modelin kayıp değeri giderek düşmüş ve doğruluk değeri artmıştır. Son aşama olan doğrulama aşamasında kayıp değeri 0,0005, doğruluk değeri 1,0000 olarak gözlenmiştir.