Önerilen çalışma, derin öğrenme ağ mimarilerinden ResNet50 ve DenseNet201 ağlarının öğrenme aktarımı kapsamında 11 sınıflı kuruyemiş görüntülerinden oluşan veri setinden anlamlı özelliklerin çıkarılmasında kullanılmasını ve elde edilen özellik kümeleri üzerinden karar destek makineleri ile ürünlerin yüksek doğrulukta sınıflandırılmasını araştırmaktadır. Ayrıca çalışma kapsamında özellik seviyesi füzyonu yaklaşımıyla, iki farklı ön eğitimli ağdan elde edilen özelliklerin birleştirilmesi ile oluşturulan yeni özellik veri kümesinin, sınıflandırılma performansına olan etkisi de incelenmiştir. Sonuçların validasyonu için deneyler 5 katlı çapraz doğrulama tekniği kapsamında gerçekleştirilmiştir. Sınıflandırma sonuçları incelendiğinde, ResNet50 ve DenseNet201, Füzyon mimarileri kullanılarak çıkarılan özelliklerin doğrusal çekirdekli karar destek makineleri ile sınıflandırılması neticesinde sırasıyla %97,86, %98,09 ve %98,68 sınıflandırma doğrulukları elde edilmiştir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.