Nurullah Şahin

Agricultural pest infestations cause substantial global crop losses. Morphological similarities across species and structural variations across developmental stages render accurate identification a persistently expert-dependent and time-consuming process. Recent deep learning approaches have advanced automated pest classification; however, most efforts have concentrated on architectural design, while optimization strategies have received comparatively little attention. This study proposes a novel optimization framework, hereafter referred to as Adaptive Fractional Gradient Descent (AFGD), that integrates the Grünwald–Letnikov (GL) fractional derivative into the backpropagation process of deep convolutional neural networks. Unlike standard gradient descent, the proposed method maintains a weighted history of past gradients. It dynamically adjusts the fractional order α via Bayesian optimization at regular training intervals, enabling the model to adaptively balance exploiting gradient memory against exploring new gradients throughout training. Experiments conducted on the IP102 benchmark dataset using DenseNet121, ResNet101, and EfficientNetB0 backbones demonstrated consistent accuracy improvements over standard gradient descent across all configurations. In the untrained setting, absolute test accuracy improved by 20.73, 11.51, and 11.01 percentage points for DenseNet121, ResNet101, and EfficientNetB0, although the absolute accuracy levels in this configuration remain modest. Under ImageNet pre-training, the proposed method yielded absolute gains of 6.69, 7.39, and 3.76 percentage points over the corresponding standard gradient baselines, with the highest absolute test accuracy of 70.81% recorded for DenseNet121. These findings indicate that fractional-order gradient control is a promising, architecturally complementary optimization strategy for robust pest classification, with broader implications for deep learning applications in precision agriculture.

Fine-grained insect pest classification presents a particularly demanding visual recognition challenge due to severe class imbalance, pronounced intra-class morphological variability across developmental stages, and high inter-class visual similarity among taxonomically related species. Existing deep learning approaches typically rely on a single feature representation extracted from a single network depth, overlooking complementary discriminative cues distributed across multiple abstraction levels. Furthermore, classical attention mechanisms perform spatial weighting deterministically, without explicitly modeling the underlying statistical structure of the feature space, which is inherently multimodal on long-tailed benchmarks such as IP102. This study proposes a Multi-Scale Gaussian Mixture Model-Gated Mixture of Experts (GMM-MoE) architecture that operates as a plug-in module insertable into any convolutional backbone, evaluated here on DenseNet-121 at three distinct feature depths. The proposed module computes analytic GMM posterior responsibilities in closed form, softly assigning each spatial location to dedicated convolutional expert sub-networks. At the same time, a conditional prior mechanism π(x) adapts the routing strategy to individual image content rather than relying on fixed priors. The architecture is evaluated on the IP102 benchmark (102 pest classes, ~75,000 images) under a two-stage training protocol. Ablation experiments confirm that increasing the number of experts consistently improves accuracy across all three routing depths, and that multi-scale fusion surpasses any single-scale configuration. The proposed model achieves a mean top-1 accuracy of 74.12% (±0.25%, 95% CI) across three independent runs on the IP102 test set. To the best of our knowledge, this is the first work to employ GMM posterior responsibilities as a spatial routing mechanism within a multi-scale CNN feature hierarchy for fine-grained insect pest classification, establishing a principled probabilistic alternative to deterministic attention weighting in visual recognition systems.

Çekirgeler, mahsullere zarar vererek her yıl milyonlarca ton gıdanın yok olmasına neden olmaktadır. Etkili ve doğru çekirge tanımlama sistemlerinin geliştirilmesi, çekirge türlerinin kontrol altına alınması ve gıda kaybının önlenmesinde kritik öneme sahiptir. Bu çalışmada, ülkemizin ve dünyanın çeşitli yerlerinde görülen 11 farklı bitki zararlısı çekirge türü çeşitli evrişimsel sinir ağı modelleri kullanılarak sınıflandırılmıştır. Çalışmada kullanılan veri seti ülkemizin Doğu ve Güneydoğu Anadolu bölgesinde gözlemlenerek elde edilmiştir. Bu çalışmanın en büyük yeniliği, ülkemizde bulunan 11 farklı bitki zararlısı çekirge türüne ait GHCD11 adında yeni bir veri setinin oluşturulmuş olmasıdır. Bunun yanında, çalışmada 11 farklı bitki zararlısı çekirge türünün otomatik olarak sınıflandırılması için Keras kütüphanesinde bulunan ve görüntü sınıflandırmasında yaygın olarak kullanılan VGG16, VGG19, ResNet50, DenseNet121, EfficientNet, MobileNet kullanılmıştır. Öğrenme aktarımı ile GHCD11 veri seti üzerinde yapılan deneysel çalışmalar sonucunda, %95 ile %99 aralığında kayda değer sınıflandırma doğrulukları elde edilmiştir. Çalışma yeni bir veri seti sunmasının yanı sıra, bitki zararlısı çekirge türlerinin evrişimsel sinir ağı mimarileri ile otomatik tanı ve tespitinin yüksek başarım ile yapılabileceğini göstermesi açısından önem arz etmektedir.

Melanom yapısal DNA hasarından kaynaklı en ölümcül cilt kanseri türlerinden olmakla beraber erken tanı konulması durumunda hayatta kalma oranı oldukça yüksektir. Melanom teşhisi, lezyon bölgesine ait dermoskopi görüntülerinin dermatolog tarafından görsel olarak incelenmesi ile konulur. Kesin tanı ise lezyon bölgesinden doku örneği alınıp patolojik inceleme sonrası ortaya çıkmaktadır. Patolojik inceleme hem çok zaman alan hem de maliyetli bir yöntemdir. Dermatologlar tarafından yapılabilecek hataları en aza indirmek ve melanomun doğru teşhisi için hekime yardımcı olmak için çok sayıda bilgisayar destekli tanı sistemi geliştirilmiştir. Lezyon bölgesinin doğru biçimde bölütlenmesi, özellik çıkarımı ve sınıflandırma performansını doğrudan etkilediği için kritik öneme sahiptir. Bu çalışmada öncelikle yeniden boyutlandırma, siyah çerçeve silme ve kıl silme gibi bir dizi önişleme adımı uygulanmıştır. Daha sonra gri seviyeye dönüştürülmüş görüntünün histogramı elde edilerek lezyon bölgesini sağlıklı ciltten ayırmak için uygun eşik değerini bulmak için geleneksel Otsu, Otsu tabanlı HA, SA ve PSO yöntemleri uygulanmıştır. Bulunan en uygun eşik değerine göre görüntü ikili görüntüye dönüştürülerek nihai lezyon bölgesi elde edilir. Sonuç olarak, ortalama iterasyon sayılarına göre çalışma süresi hesaplandığında, PSO, HA, SA yöntemlerinin bölütleme başarımından ödün vermeden geleneksel Otsu yöntemine göre sırasıyla %40, %29 ve %28.5 daha hızlı optimal eşik değerini bulduğu gözlemlenmiştir.