This project focuses on the automated detection of physical damage in fruits and vegetables using Deep Learning and Computer Vision. By digitalizing quality control processes, we aim to minimize human error, reduce economic losses for producers, and enhance overall productivity in the agricultural sector.
The project implements a hybrid approach to ensure high availability and performance in field conditions.
A fail-safe hybrid inference strategy that balances local device processing (On-Device) with cloud-based fallback for complex analysis.
The methodology involves multi-stage Transfer Learning. Models are pre-trained on the PlantVillage dataset and fine-tuned using specific field-collected agricultural data.
Bu proje, meyve ve sebzelerdeki fiziksel hasarların Derin Öğrenme yöntemleriyle otomatik olarak tespit edilmesi amacıyla geliştirilmiştir. Kalite kontrol süreçlerini dijitalleştirerek insan hatasını en aza indirmeyi ve tarım sektöründeki verimliliği artırmayı hedeflemektedir.
- Otonom Sistem: Manuel ekspertiz süreçlerinden CNN tabanlı tam otonom bir yapıya geçiş.
- Karar Desteği: Tarım sigortası bilirkişilerine yüksek doğruluklu dijital analiz desteği sağlama.
Proje Yürütücüsü olarak 4 kişilik bir ekibin koordinasyonunu ve aşağıdaki aşamaları yönetiyorum:
- İP 1: Veri toplama, temizleme ve ön işleme süreçleri.
- İP 2: CNN ve hibrit model mimarilerinin tasarımı ve eğitimi.
- İP 3: Model performansının optimizasyonu ve doğrulama çalışmaları.
- İP 4: Saha testleri ve sistem entegrasyonu.
- Esma GELEBEK - Project Coordinator / Proje Yürütücü
- Esma Betül KOCAAHMET - Researcher / Araştırmacı
- Umut ÖZKAN - Researcher / Araştırmacı
- Hüseyin BALIK - Researcher / Araştırmacı
- Bahar YALÇIN KAVUŞ - Academic Advisor / Danışman
Disclaimer: Source code is private due to TÜBİTAK intellectual property guidelines.