Tarım makinelerinde operasyonel verimlilik elzemdir, ancak zorlu ortamlara sürekli maruz kalmaları onları korozyona karşı oldukça hassas hale getirir. Bu bozulma, ekipman ömrünü kısaltır, bakım maliyetlerini artırır ve önemli ekonomik kayıplara yol açabilir. Geleneksel denetim yöntemleri genellikle öznel ve erken aşamadaki hasarı yakalamak için çok yavaşken, başta Evrişimli Sinir Ağları (CNN'ler) olmak üzere derin öğrenme yaklaşımları güçlü bir alternatif olarak ortaya çıkmaktadır. Bu derleme, korozyon tespiti için kullanılan bu otomatikleştirilmiş yöntemlerin mevcut durumunu incelemektedir. Mevcut literatür, CNN tabanlı sistemlerin hem kontrollü hem de endüstriyel ortamlarda %78 ile %99 arasında değişen doğruluk oranlarıyla korozyonu tespit edip sınıflandırabildiğini göstermektedir. Bu çalışmada, yaygın olarak kullanılan derin öğrenme mimarileri araştırılmakta, görsel belirsizlik ve sınırlı veri setleri gibi süregelen zorluklar tartışılmakta ve insansız hava araçları (dronlar) ve hiperspektral görüntüleme ile entegrasyon gibi gelecekteki araştırma yönelimlerine değinilmektedir. Nihai hedefin, tarım sektöründe gerçek anlamda kestirimci bakım için bir temel oluşturmak olduğu görülmektedir.
Agricultural machinery is essential for operational efficiency, but its constant exposure to harsh environments makes it highly susceptible to corrosion. This degradation shortens equipment lifespan, drives up maintenance costs, and can lead to significant economic losses. While traditional inspection methods are often subjective and too slow to catch early-stage damage, deep learning approaches, particularly Convolutional Neural Networks (CNNs), are emerging as a powerful alternative. This review examines the current state of these automated methods for corrosion detection. The existing literature suggests that CNN-based systems can indeed detect and classify corrosion, with reported accuracy rates often falling between 78% and 99% in both controlled and industrial settings. We explore the deep learning architectures commonly used, discuss persistent challenges like visual ambiguity and limited datasets, and look ahead to future research directions, including integration with drones and hyperspectral imaging. The ultimate goal, it seems, is to build a foundation for truly predictive maintenance in the agricultural sector.