Akademik Veri Yönetim Sistemi
Black Sea Journal of Engineering and Science, cilt.9, sa.1, ss.369-384, 2026 (TRDizin)
Mobilya görüntülerinin otomatik olarak tanınması ve sınıflandırılması; sınıflar arasındaki yüksek görsel benzerlik, karmaşık şekil–doku yapıları ve veri çeşitliliğinin sınırlı olması nedeniyle zor bir problemdir. Bu çalışmada söz konusu problemi çözmek amacıyla hafif, hızlı ve mobil cihazlarda çalışmaya uygun bir derin öğrenme yapısı önerilmiştir. Önerilen yöntemde, MobileNet tabanlı mimarilere Convolutional Block Attention Module (CBAM) entegre edilerek, modelin hem kritik bölgelere odaklanması hem de özellik çıkarım kapasitesinin artırılması hedeflenmiştir. Ayrıca veri artırma stratejileri ve çok ölçekli temsil gücü, modellerin genelleme performansını güçlendirmek için uygulanmıştır. Deneysel çalışmalar, 32 farklı mobilya sınıfından oluşan kamuya açık bir görüntü veri kümesi üzerinde gerçekleştirilmiştir. Elde edilen sonuçlar, CBAM ile optimize edilen MobileNetV1 modelinin %99,78 doğruluk oranıyla en yüksek performansı sunduğunu göstermektedir. MobileNetV1 yalın hâlde %98,71 doğruluk sağlarken, veri artırma uygulaması sonrasında doğruluk %98,44’e düşmüştür. CBAM entegrasyonu doğruluğu %99,78’e yükseltmiş, ancak CBAM ve veri artırmanın birlikte kullanımı %99,57 ile nispeten daha düşük bir başarı sergilemiştir. MobileNetV2 modeli de CBAM ve veri artırma ile %99,46 doğrulukla dengeli bir performans göstermiştir. NASNetMobile modeli ise CBAM ile %98,71 doğrulukla istikrarlı bir başarı sunmuştur. Bu bulgular, model mimarisi, dikkat mekanizmaları ve veri çeşitliliğinin mobilya görüntü tanımada kritik öneme sahip olduğunu ortaya koymaktadır. Ayrıca önerilen yaklaşımın düşük hesaplama maliyeti, yöntemin mobil ve gömülü sistemlerde gerçek zamanlı uygulamalar için uygun olduğunu göstermektedir.