Bağcılıkta üzüm çeşitleri belirlenirken, sürgün, yaprak, salkım ve meyveye ait karakterizasyon özellikler kullanılmaktadır. Bu karakterizasyon özellikler uluslararası yöntem birliğinin oluşması için “Uluslararası Bitki Gen Kaynakları Merkezi” (International Board for Plant Genetic Resources) adına oluşturulmuş bir çalışma ekibi ile “Bağcılık ve Şarapçılık Ofisi” (Office Internatıonal de la Vigne et du Vin-OIV) ve “Uluslararası Yeni Bitki Çeşitlerinin Korunması Birliği” (International union for the Protection of New Varietes of Plants- UPOV) ile işbirliği içinde yapılan çalışmalarla geliştirilmiş ‘Üzüm Tanımlayıcıları’ (Grape Descriptors) adıyla bir normda yayınlanmıştır. Üzüm çeşitlerinin sahip olduğu ampelografik özellikler bu normdaki karakterizasyon özelliklere göre belirlenerek ortaya çıkarılmaktadır. Her üzüm çeşidinin sürgününe, yaprağına, salkımına ve meyvesine özgü ampelografik özellikleri bulunmaktadır. Bu özellikler ‘Üzüm Tanımlayıcıları’ normuna göre belirlendikten sonra sayısal veya sözel olarak ifade edilmektedir. Bu çalışmada ampelografik özellikler kullanılarak Corint, Merlot, Tayfi, Michele palieri, Narince üzüm çeşitlerinin derin öğrenme teknikleri ile sınıflandırılması yapılmıştır. Amaç üzüm çeşitlerinin ampelografik özelliklerini kullanarak derin öğrenme teknikleri ile hangi üzüm çeşidi olduğunu belirlemektir. Yapılan çalışma için 15 katmandan meydana gelen yeni bir CNN modeli oluşturulmuştur. Beş sınıf bulunan veri setinde beş adet üzüm çeşidinin salkım ve meyvelerine ait 227x227x3 boyutunda toplam 1028 adet görüntü kullanılmıştır. Görüntülerin %80’i eğitim için %20’si ise doğrulama için ayrılmıştır. MATLAB programında, yeni ve özgün olarak geliştirilen CNN modeli ile %96,10 sınıflandırma başarım oranı elde edilmiştir. Yapılan analizler neticesinde geliştirilen CNN modelinin başarılı olduğu ve üzüm çeşitlerinin sınıflandırılmasında kullanılabileceği sonucuna varılmıştır.

Ticari yumurta çiftliği endüstrilerinde, kusurlu yumurtaların otomatik olarak ayrılması ekonomik ve sağlık açısından önemlidir. Günümüzde, kusurlu yumurtaların tespiti manuel olarak yapılmaktadır. Bu durum, zaman alıcı, yorucu ve karmaşık süreçler içermektedir. Tüm bu nedenlerden dolayı, yumurta yüzeyinde oluşabilecek kusurların otomatik olarak sınıflandırılması oldukça önemli bir konu haline gelmiştir. Bu amaç doğrultusunda, bu çalışmada, nesne tanıma ve sınıflandırma alanlarında yüksek performans sağlayan Evrişimsel Sinir Ağlarına (ESA) dayalı geliştirilen AlexNet, VGG16, VGG19, SqueezeNet, GoogleNet, Inceptionv3, ResNet18 ve Xception mimarileri kullanılarak yumurta kusurlarının sınıflandırılması gerçekleştirilmiştir. Bu mimarilerin performansını test etmek için kirli, kanlı, kırık ve sağlam yumurtaları içeren özgün bir veri seti inşa edilmiştir. Deneysel çalışmalar sonucunda, en yüksek doğruluk skoru VGG19 mimarisi ile %96,25 olarak elde edilmiştir. Bu sonuçlarda, ESA yöntemlerinin kusurlu yumurtaların sınıflandırılmasında yüksek başarı sağladığı gözlenmiştir.

Ticari yumurta çiftliği endüstrilerinde, kusurlu yumurtaların otomatik olarak ayrılması ekonomik ve sağlık açısından önemlidir. Günümüzde, kusurlu yumurtaların tespiti manuel olarak yapılmaktadır. Bu durum, zaman alıcı, yorucu ve karmaşık süreçler içermektedir. Tüm bu nedenlerden dolayı, yumurta yüzeyinde oluşabilecek kusurların otomatik olarak sınıflandırılması oldukça önemli bir konu haline gelmiştir. Bu amaç doğrultusunda, bu çalışmada, nesne tanıma ve sınıflandırma alanlarında yüksek performans sağlayan Evrişimsel Sinir Ağlarına (ESA) dayalı geliştirilen AlexNet, VGG16, VGG19, SqueezeNet, GoogleNet, Inceptionv3, ResNet18 ve Xception mimarileri kullanılarak yumurta kusurlarının sınıflandırılması gerçekleştirilmiştir. Bu mimarilerin performansını test etmek için kirli, kanlı, kırık ve sağlam yumurtaları içeren özgün bir veri seti inşa edilmiştir. Deneysel çalışmalar sonucunda, en yüksek doğruluk skoru VGG19 mimarisi ile %96,25 olarak elde edilmiştir. Bu sonuçlarda, ESA yöntemlerinin kusurlu yumurtaların sınıflandırılmasında yüksek başarı sağladığı gözlenmiştir.

Bu çalışmada 8. hafta canlı ağırlık tartımlarına göre sınıflandırılarak büyütülen kazların 16. hafta kesim yaşında performans özellikleri ile göğüs ve but etinde renk ve pH değerlerinin belirlenmesi amaçlanmıştır. Çalışmaya günlük 478 adet palaz ile (dişi-erkek karışık) başlanmıştır. 8. Haftada canlı ağırlığa göre sınıflandırma (hafif, orta ağır, ağır) yapıldıktan sonra 270 adet kaz (dişi-erkek karışık) ile çalışmaya devam edilmiştir. 10. ve 16. haftalarda, ağır grupta canlı ağırlığın daha yüksek olduğu ve hafif grupta ise canlı ağırlık artışının daha yüksek olduğu belirlenmiştir. Yemden yararlanma oranı da hafif ve orta ağır grupta daha düşük bulunmuştur. Ayak ve but ağırlığı ile göğüs pH değeri ağır grupta, abdominal yağ ağırlığı ve oranı orta ağır grupta, baş oranı hafif grupta daha yüksek tespit edilmiştir. Sonuç olarak, sınıflandırmalı büyütmenin hafif grupta canlı ağırlık artışı üzerine etkisi olumludur. Kaz yetiştiriciliğinde hedef kesim canlı ağırlıklarına üniform olarak ulaşmak için bu yöntemden faydalanılabilir.

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.

Bağcılıkta üzüm çeşitleri belirlenirken, sürgün, yaprak, salkım ve meyveye ait karakterizasyon özellikler kullanılmaktadır. Bu karakterizasyon özellikler uluslararası yöntem birliğinin oluşması için “Uluslararası Bitki Gen Kaynakları Merkezi” (International Board for Plant Genetic Resources) adına oluşturulmuş bir çalışma ekibi ile “Bağcılık ve Şarapçılık Ofisi” (Office Internatıonal de la Vigne et du Vin-OIV) ve “Uluslararası Yeni Bitki Çeşitlerinin Korunması Birliği” (International union for the Protection of New Varietes of Plants- UPOV) ile işbirliği içinde yapılan çalışmalarla geliştirilmiş ‘Üzüm Tanımlayıcıları’ (Grape Descriptors) adıyla bir normda yayınlanmıştır. Üzüm çeşitlerinin sahip olduğu ampelografik özellikler bu normdaki karakterizasyon özelliklere göre belirlenerek ortaya çıkarılmaktadır. Her üzüm çeşidinin sürgününe, yaprağına, salkımına ve meyvesine özgü ampelografik özellikleri bulunmaktadır. Bu özellikler ‘Üzüm Tanımlayıcıları’ normuna göre belirlendikten sonra sayısal veya sözel olarak ifade edilmektedir. Bu çalışmada ampelografik özellikler kullanılarak Corint, Merlot, Tayfi, Michele palieri, Narince üzüm çeşitlerinin derin öğrenme teknikleri ile sınıflandırılması yapılmıştır. Amaç üzüm çeşitlerinin ampelografik özelliklerini kullanarak derin öğrenme teknikleri ile hangi üzüm çeşidi olduğunu belirlemektir. Yapılan çalışma için 15 katmandan meydana gelen yeni bir CNN modeli oluşturulmuştur. Beş sınıf bulunan veri setinde beş adet üzüm çeşidinin salkım ve meyvelerine ait 227x227x3 boyutunda toplam 1028 adet görüntü kullanılmıştır. Görüntülerin %80’i eğitim için %20’si ise doğrulama için ayrılmıştır. MATLAB programında, yeni ve özgün olarak geliştirilen CNN modeli ile %96,10 sınıflandırma başarım oranı elde edilmiştir. Yapılan analizler neticesinde geliştirilen CNN modelinin başarılı olduğu ve üzüm çeşitlerinin sınıflandırılmasında kullanılabileceği sonucuna varılmıştır.

Bu çalışmada 8. hafta canlı ağırlık tartımlarına göre sınıflandırılarak büyütülen kazların 16. hafta kesim yaşında performans özellikleri ile göğüs ve but etinde renk ve pH değerlerinin belirlenmesi amaçlanmıştır. Çalışmaya günlük 478 adet palaz ile (dişi-erkek karışık) başlanmıştır. 8. Haftada canlı ağırlığa göre sınıflandırma (hafif, orta ağır, ağır) yapıldıktan sonra 270 adet kaz (dişi-erkek karışık) ile çalışmaya devam edilmiştir. 10. ve 16. haftalarda, ağır grupta canlı ağırlığın daha yüksek olduğu ve hafif grupta ise canlı ağırlık artışının daha yüksek olduğu belirlenmiştir. Yemden yararlanma oranı da hafif ve orta ağır grupta daha düşük bulunmuştur. Ayak ve but ağırlığı ile göğüs pH değeri ağır grupta, abdominal yağ ağırlığı ve oranı orta ağır grupta, baş oranı hafif grupta daha yüksek tespit edilmiştir. Sonuç olarak, sınıflandırmalı büyütmenin hafif grupta canlı ağırlık artışı üzerine etkisi olumludur. Kaz yetiştiriciliğinde hedef kesim canlı ağırlıklarına üniform olarak ulaşmak için bu yöntemden faydalanılabilir.