CBAM ve Bayes Optimizasyon Destekli Topluluk Derin Öğrenme Ağları ile Meyve ve Sebzelerin Tazelik Sınıflandırması

Öz

Yapay zekâ, problem çözme becerileri ve hayatı kolaylaştıran yenilikçi uygulamaları sayesinde günümüz dünyasında önemli bir yer edinmiştir. Donanım ve yazılım alanındaki gelişmeler, yapay zekâ uygulamalarının hızla yaygınlaşmasına katkı sağlamıştır. Özellikle görüntü işleme teknolojileri, küçük ayrıntıların bile tespit edilmesine imkân tanıyarak pek çok alanda çözüm sunmaktadır. Artan nüfus ve tüketim ihtiyacı ise gıda atıkları gibi küresel sorunları beraberinde getirmiştir. Çürük meyve ve sebzelerin zamanında ayırt edilememesi hem israfa hem de ekonomik kayıplara neden olmaktadır. Bu çalışmada, yapay zekâ ve görüntü sınıflandırma yöntemleri kullanılarak bu soruna çözüm aranmıştır. Altısı taze, altısı çürük olmak üzere toplam 12 sınıfa ait meyve ve sebze görüntülerinden oluşan bir veri seti kullanılmıştır. InceptionV3, MobileNetV2 ve Xception modelleri bu verilerle eğitilmiş; modellerin başarı oranını artırmak için Bayes arama optimizasyonu ve CBAM dikkat mekanizması eklenmiştir. Geliştirilen bu üç model, Ağırlıklı Oylama yöntemiyle birleştirilerek Deep Fruit Ensemble adlı yeni bir model oluşturulmuştur. Bu model, %92.8 doğruluk oranına ulaşarak, tek başına kullanılan modellere göre daha yüksek performans göstermiştir. Elde edilen sonuçlar, önerilen yöntemin çürük meyve ve sebzelerin tespiti konusunda etkili bir çözüm sunduğunu göstermektedir.

Anahtar Kelimeler

• InceptionV3
• MobileNetV2
• Xception
• Görüntü Sınıflandırması
• Topluluk Öğrenmesi

Ensemble Deep Networks for Freshness Classification of Fruits and Vegetables with CBAM and Bayesian Optimization

Öz

Artificial intelligence has gained an important place in today's world thanks to its problem-solving skills and innovative applications that make life easier. Developments in hardware and software have contributed to the rapid spread of artificial intelligence applications. Especially image processing technologies provide solutions in many areas by allowing even small details to be detected. Increasing population and consumption needs have brought about global problems such as food waste. Failure to distinguish rotten fruits and vegetables in a timely manner causes both waste and economic losses. In this study, a solution to this problem was sought using artificial intelligence and image classification methods. A dataset consisting of fruit and vegetable images belonging to a total of 12 classes, six of which are fresh and six are rotten, was used. InceptionV3, MobileNetV2 and Xception models were trained with this data; Bayesian search optimization and CBAM attention mechanism were added to increase the success rate of the models. These three developed models were combined with the Weighted Voting method to create a new model called Deep Fruit Ensemble. This model achieved an accuracy rate of 92.8%, showing higher performance than the models used alone. The results obtained show that the proposed method provides an effective solution for the detection of rotten fruits and vegetables.

Anahtar Kelimeler

• InceptionV3
• MobileNetV2
• Xception
• Image Classification
• Ensemble Learning

Kaynakça

1. Almiman A., Osman N., Torki M. Deep neural network approach for Arabic community question answering. Alexandria Engineering Journal 2020; 59(6): 4427-4434.
2. Banda JM., Angryk RA., Martens PCH. Steps toward a large-scale solar image data analysis to differentiate solar phenomena. Solar Physics 2013; 288: 435-462.
3. Baygut H., Bilici S. Waste and residue management: sustainable hospital catering services. Discover Sustainability 2025; 6(1): 49.
4. Çetiner H. MobileNetV2 ve MobileNetV3 tabanlı derin öğrenme yaklaşımları ile cilt kanserlerinin sınıflandırılması. 2022.
5. Chollet F. Xception: Deep learning with depthwise separable convolutions. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2017; 1800-1807.
6. Cömert ON., Hekim M., Adem K. Bruise detection using faster R-CNN. International Journal of Engineering Research and Development 2019; 11(1): 335-341.
7. Dogan A., Birant D. A weighted majority voting ensemble approach for classification. In: 2019 4th International Conference on Computer Science and Engineering (UBMK) 2019; 1-6.
8. Doğan G., Ergen B. Karayollarındaki asfalt çatlaklarının tespiti için yeni bir konvolüsyonel sinir ağı tabanlı yöntem. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2022; 34(2): 485-494.

9. Flanagan K., Robertson K., Hanson C. Reducing food loss and waste: setting a global action agenda. World Research Institute 2019.
10. Güneş E. Derin öğrenme yaklaşımı ile fındık meyvesinin sınıflandırılması. Doctoral dissertation, Marmara Universitesi 2022.
11. Hark C. Sahte haber tespiti için derin bağlamsal kelime gömülmeleri ve sinirsel ağların performans değerlendirmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2022; 34(2): 733-742.
12. Karlos S., Kostopoulos G., Kotsiantis S. A soft-voting ensemble based co-training scheme using static selection for binary classification problems. Algorithms 2020; 13(1): 26.
13. Köse B. Veri, enformatik, yapay zeka ve optimizasyon. Kuantum Teknolojileri ve Enformatik Araştırmaları Dergisi 2023; 1(1): 35-40.
14. Łaba S., Niedek M., Szczepański K., Łaba R., Kamińska-Dwórznicka A. Gıda israfının önlenmesi ihtiyacı ışığında AB'de gıda israfının ölçülmesine ilişkin düzenleme. Çevre Koruma ve Doğal Kaynaklar 2019; 30(4): 1-7.
15. Magacho G., Espagne E., Godin A. Impacts of the CBAM on EU trade partners: consequences for developing countries. Climate Policy 2024; 24(2): 243-259.
16. Morani K., Ayana EK., Kollias D., Unay D. COVID‐19 detection from computed tomography images using slice processing techniques and a modified Xception classifier. International Journal of Biomedical Imaging 2024; 2024(1): 9962839.
17. Pan Y., Liu J., Cai Y., Yang X., Zhang Z., Long H., Tan Z. Fundus image classification using Inception V3 and ResNet-50 for the early diagnostics of fundus diseases. Frontiers in Physiology 2023; 14: 1126780.
18. Polikar R. Ensemble learning. Ensemble Machine Learning: Methods and Applications 2012; 1-34.
19. Powers DM. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. arXiv preprint arXiv:2010.16061 2020.
20. Promboonruang S., Boonrod T. Deep transfer learning CNN based for classification quality of organic vegetables. International Journal of Advanced and Applied Sciences 2023; 10(12): 203-210.
21. Ren X., Ding X. Motivation analysis of technological startups business models based on intelligent data mining and analysis. Journal of Electrical and Computer Engineering 2022; 2022.
22. Şafak E., Barışçı N. Derin öğrenme kullanılarak mobil cihazlar için gerçek zamanlı yangın ve duman tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 2023; 38(4): 2179-2190.
23. Sakallı G. Termal görüntülerde derin öğrenme yaklaşımları ile elektrik arızalarının sınıflandırılması. Master's thesis, Konya Teknik Üniversitesi 2023.
24. Seidaliyeva U., Akhmetov D., Ilipbayeva L., Matson ET. Real-time and accurate drone detection in a video with a static background. Sensors 2020; 20(14): 3856.
25. Şener A., Ergen B. Yüz görüntülerine ayrık kosinüs dönüşümü uygulanarak görüntü sınıflandırma sonuçlarının iyileştirilmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 2022; 27(3): 1193-1206.
26. Singh T., Vishwakarma DK. A deeply coupled ConvNet for human activity recognition using dynamic and RGB images. Neural Computing and Applications 2021; 33(1): 469-485.
27. Srinivasan K., Garg L., Datta D., Alaboudi AA., Jhanjhi NZ., Agarwal R., Thomas AG. Performance comparison of deep CNN models for detecting driver’s distraction. CMC-Computers, Materials & Continua 2021; 68(3): 4109-4124.
28. Tümay M., Civelek Z., Teke M. Glakom ve katarakt hastalığının derin öğrenme modelleri ile teşhisi. Politeknik Dergisi 2023; 1-1.
29. Uçar M. Glokom hastalığının evrişimli sinir ağı mimarileri ile tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 2021; 23(68): 521-529.
30. Urmamen E., Koçer S. Retinal hastalıkların teşhisi için optik koherans tomografi görüntülerinin derin öğrenme metotları ile sınıflandırılması. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi 2023; 4(3): 22-28.
31. Üzülmez S., Çifçi MA. Early diagnosis of lung cancer using deep learning and uncertainty measures. Journal of the Faculty of Engineering and Architecture of Gazi University 2024; 39(1): 385-400.
32. Wang W., Tan X., Zhang P., Wang X. A CBAM based multiscale transformer fusion approach for remote sensing image change detection. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 2022; 15: 6817-6825.
33. Woo S., Park J., Lee JY., Kweon IS. CBAM: convolutional block attention module. In: Proceedings of the European Conference on Computer Vision (ECCV) 2018; 3-19.
34. Wu J., Chen XY., Zhang H., Xiong LD., Lei H., Deng SH. Hyperparameter optimization for machine learning models based on Bayesian optimization. Journal of Electronic Science and Technology 2019; 17(1): 26-40.
35. Yuan Y., Chen J., Polat K., Alhudhaif A. An innovative approach to detecting the freshness of fruits and vegetables through the integration of convolutional neural networks and bidirectional long short-term memory network. Current Research in Food Science 2024; 8: 100723.
36. Zhang T., Zhang K., Xiao C., Xiong Z., Lu J. Joint channel-spatial attention network for super-resolution image quality assessment. Applied Intelligence 2022; 52(15): 17118-17132.
37. Zhang Y., Yang X., Cheng Y., Wu X., Sun X., Hou R., Wang H. Fruit freshness detection based on multi-task convolutional neural network. Current Research in Food Science 2024; 8: 100733.