Ümit ALBAYRAK

Dr. Ümit ALBAYRAK

Ilgin Vocational School, Selçuk University, Konya, Turkey (Türkiye)
orcid

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
17 January 2025 in Agronomy
Verified
Journal Article
Open access
PDF file
ÜAÜmit ALBAYRAK
Ümit ALBAYRAK
AGADEM GÖLCÜK
ADEM GÖLCÜK
SASinan AKTAŞ
Sinan AKTAŞ
Uğur CoruhUğur Coruh
Uğur Coruh
STSakir Tasdemir
Sakir Tasdemir
OBOmer Baykan
Omer Baykan
This research evaluates 20 advanced convolutional neural network (CNN) architectures for classifying mushroom diseases in Agaricus bisporus, utilizing a custom dataset of 3195 images (2464 infected and 731 healthy mushrooms) captured under uniform white-light conditions. The consistent illumination in the dataset enhances the robustness and practical usability of the assessed models. Using a weighted scoring system that incorporates precision, recall, F1-score, area under the ROC curve (AUC), and average precision (AP), ResNet-50 achieved the highest overall score of 99.70%, demonstrating outstanding performance across all disease categories. DenseNet-201 and DarkNet-53 followed closely, confirming their reliability in classification tasks with high recall and precision values. Confusion matrices and ROC curves further validated the classification capabilities of the models. These findings underscore the potential of CNN-based approaches for accurate and efficient early detection of mushroom diseases, contributing to more sustainable and data-driven agricultural practices.

30 April 2024 in Journal of Fungus
Verified
Journal Article
Open access
PDF file
ÜAÜmit ALBAYRAK
Ümit ALBAYRAK
AGADEM GÖLCÜK
ADEM GÖLCÜK
SASinan AKTAŞ
Sinan AKTAŞ
Bu makale, Agaricus bisporus (J.E. Lange) Imbach’un kültüründe görülen hastalıkların sınıflandırması için görüntü tabanlı bir veri seti oluşturulması ve analiz edilmesi üzerine yapılan bir araştırmayı ele almaktadır. Veri seti, sağlıklı ve farklı hastalık sınıflarına ait görüntüleri içermektedir. Farklı aydınlatma koşullarında elde edilen görüntüler, ayrı bir sınıflandırma problemi için kullanılabilecek uygunlukta veriler sunmaktadır. Bu araştırma, mantar hastalıklarının tanımlanması ve sınıflandırılması için kullanılabilecek bir veri setinin oluşturulması, hastalıkların otomatik olarak tanımlanması ve sınıflandırılmasını mümkün kılacak derin öğrenme veya diğer makine öğrenmesi tekniklerinin kullanılmasına imkân sağlayacaktır. Veri setinin oluşturulması sürecinde, çalışma kapsamında geliştirilmiş olan taşınabilir mantar görüntüleme sistemi ile mantar işletmeleri ziyaretleri gerçekleştirilmiş; yaklaşık 7250 adet hastalıklı mantar, 1800 adet de sağlıklı mantar görüntüsü elde edilmiştir (Her bir aydınlatma ortamı için yaklaşık 3000 adet). Kültür mantarlarında yaygın görülen 4 farklı sınıf hastalık gözlemlenmiştir. Her bir mantar 3 farklı aydınlatma ortamında görüntülenmiştir.