Image-Based Classification of Olive Varieties Native to Turkiye Using Multiple Deep Learning Architectures: Analysis of Performance, Complexity, and Generalization

Deze studie vergelijkt tien deep learning-architecturen voor de automatische classificatie van vijf inheemse Turkse olijvenrassen en concludeert dat onder beperkte datacondities parameterefficiëntie belangrijker is dan modeldiepte, waarbij EfficientNetV2-S de hoogste nauwkeurigheid bereikte en EfficientNetB0 de beste balans bood tussen prestaties en complexiteit.

De kern

🫒 De Grote Olijvenwedstrijd: Wie herkent het beste welk type?

Stel je voor dat je in een grote supermarkt staat met vijf verschillende soorten zwarte olijven uit Turkije: Gemlik, Ayvalık, Uslu, Erkence en Çelebi. Voor een mens zijn ze misschien wel te onderscheiden, maar voor een computer zijn ze vaak bijna onzichtbaar verschillend. Ze zijn allemaal rond, zwart en glanzend.

De onderzoekers van deze studie wilden weten: Kan een computer deze vijf soorten olijven automatisch en perfect van elkaar onderscheiden? En nog belangrijker: Welke "hersenen" (software) doen dit het beste zonder dat de computer te traag of te duur wordt?

🤖 De Kandidaten: Een race tussen slimme computers

Om dit te testen, lieten de onderzoekers tien verschillende soorten "AI-hersenen" (diep leernetwerken) een wedstrijd houden. Je kunt deze modellen vergelijken met verschillende soorten atleten of gereedschappen:

1. De Zware Reuzen (zoals ResNet of ViT): Dit zijn enorme, krachtige modellen met miljoenen "neuronen". Ze zijn als een Formule 1-auto: extreem snel en krachtig, maar ze verbruiken veel brandstof en hebben een groot circuit nodig.
2. De Slimme Compacte Auto's (zoals EfficientNet en MobileNet): Dit zijn modellen die ontworpen zijn om slim te zijn zonder zwaar te zijn. Ze zijn als een slimme elektrische stadswagen: ze doen precies wat ze moeten doen, maar verbruiken weinig energie en passen in elke garage.
3. De Nieuwe Stijl (Transformers): Dit is een heel nieuwe manier van kijken naar plaatjes, vergelijkbaar met iemand die een boek niet regel voor regel leest, maar eerst de hele zin in één keer "voelt".

🧪 De Test: 2.500 Olijven

De onderzoekers maakten een eerlijke test met 2.500 foto's van deze olijven (500 van elk type). Ze zorgden dat de foto's perfect waren: geen schaduwen, witte achtergrond, allemaal even groot.

Vervolgens lieten ze de tien modellen deze foto's bekijken en de olijven benoemen. Daarna keken ze niet alleen naar wie het meeste goed had, maar ook naar:

• Hoe snel deden ze het?
• Hoeveel rekenkracht kostte het?
• Begrepen ze het echt, of hadden ze het gewoon uit het hoofd geleerd (overfitting)?

🏆 De Uitslag: De verrassende winnaars

Hier zijn de belangrijkste bevindingen, vertaald naar begrijpelijke taal:

1. De Winnaar van Precisie: EfficientNetV2-S
Deze "atleet" won de wedstrijd met 95,8% juiste antwoorden. Hij was de meest nauwkeurige. Hij zag de kleinste verschillen tussen de olijven die voor anderen onzichtbaar waren.

2. De Winnaar van Efficiëntie: EfficientNetB0
Hoewel de V2-S iets beter was, was hij ook zwaarder. De EfficientNetB0 deed bijna net zo goed (94,5%), maar was veel lichter en sneller.

• De analogie: Stel je voor dat je een zware last moet dragen. De V2-S is een sterke man die de last draagt, maar hij is moe en traag. De B0 is een fitte atleet die de last bijna even goed draagt, maar hij rent er nog steeds mee weg. Voor de praktijk is de B0 vaak de beste keuze.

3. De Teleurstelling: De Grote Reuzen (ViT-B16)
De grootste en zwaarste modellen (zoals de Vision Transformer) deden het verrassend slecht (slechts 88,5% goed).

• De les: Je kunt niet zomaar een Formule 1-auto op een smal, kronkelig straatje rijden. Deze enorme modellen hadden te veel "ruimte" en "intelligentie" voor de beperkte hoeveelheid foto's. Ze raakten in de war en probeerden te veel details te onthouden die er niet waren. Ze "leerden uit het hoofd" in plaats van te begrijpen.

💡 De Grote Leerlessen (In het kort)

1. Groter is niet altijd beter: Je hoeft geen superschone computer te hebben om goede resultaten te krijgen. Soms is een slim, compact model veel beter dan een gigantisch, zwaar model, zeker als je niet heel veel foto's hebt.
2. De "Gouden Middenweg": De modellen uit de EfficientNet-familie bleken de beste balans te vinden. Ze zijn slim genoeg om de olijven te herkennen, maar niet zo zwaar dat ze de computer laten vastlopen.
3. Waarom is dit belangrijk?
   • Als je een fabriek hebt die olijven sorteert, wil je geen dure, trage computer. Je wilt een klein, snel systeem dat op een gewone camera past.
   • Dit onderzoek laat zien dat je met de juiste, slimme software (zoals EfficientNet) dit perfect kunt doen zonder duizenden euro's aan hardware uit te geven.

🎯 Conclusie

De onderzoekers concludeerden dat voor het herkennen van Turkse olijven (en waarschijnlijk veel andere landbouwproducten) je niet hoeft te kiezen voor de "zwaarste" AI. De EfficientNet-modellen zijn de winnaars: ze zijn snel, zuinig en heel nauwkeurig. Het is een beetje zoals het kiezen van een auto: je wilt niet per se de duurste, zwaarste limousine, maar een slimme, betrouwbare auto die je precies brengt waar je wilt.

Technische samenvatting

Titel: Beeldgebaseerde classificatie van in Turkije inheemse olijvenrassen met behulp van meerdere deep learning-architecturen: Analyse van prestaties, complexiteit en generalisatie

Auteurs: Hatice Karataş en İrfan Atabas (Kırıkkale Universiteit)

---

1. Probleemstelling

Olijven (Olea europaea L.) zijn van groot economisch belang in Turkije, waar een grote diversiteit aan lokale genotypen bestaat (zoals Gemlik, Ayvalık, Uslu, Erkence en Çelebi). Hoewel deze diversiteit een landbouwvoordeel is, creëert het uitdagingen voor de kwaliteitscontrole en marktstandardisatie.

• Uitdaging: Traditionele classificatiemethoden zijn gebaseerd op visuele inspectie door experts, wat subjectief, tijdrovend en foutgevoelig is.
• Complexiteit: Het onderscheiden van deze rassen is een fine-grained classificatieprobleem. De morfologische verschillen (grootte, vorm, huidkleur, textuur) zijn subtiel en kunnen variëren door omgevingsfactoren.
• Kennislacune: Er is een gebrek aan systematische vergelijkingen tussen moderne deep learning-architecturen (zoals CNN's, EfficientNet, ConvNeXt en Vision Transformers) specifiek voor Turkse olijvenrassen, met name onder beperkte data-omstandigheden en met aandacht voor rekentijd en generalisatie.

2. Methodologie

Dataset:

• Omvang: 2.500 afbeeldingen van vijf lokale zwarte tafelolijvenrassen (500 afbeeldingen per ras).
• Opname: Gemaakt in een gecontroleerde laboratoriumomgeving met diffuse belichting en een matte witte achtergrond om achtergrondruis te minimaliseren.
• Verdeling: Stratified random split in training (80%), validatie (10%) en testset (10%). De testset bevatte 50 afbeeldingen per ras en bleef tijdens training gescheiden.

Preprocessing:

• Afbeeldingen werden herschaald naar 224x224 pixels.
• Toepassing van Gaussische smoothing en Otsu's drempelwaarde voor voorgrond-achtergrond scheiding (binair masker).
• Normalisatie van pixelintensiteiten naar [0, 1].
• Data Augmentatie: Toepassing op de trainingset (rotatie, horizontale spiegeling, helderheidsjitter, schaling) om overfitting te voorkomen.

Architecturen:
Tien modellen werden getraind via transfer learning (geinitialiseerd met ImageNet-weights) en aangepast voor 5 klassen:

1. CNN's: MobileNetV2, EfficientNetB0, EfficientNetV2-S, ResNet50, ResNet101, DenseNet121, InceptionV3, ConvNeXt-Tiny.
2. Transformers: Vision Transformer (ViT-B16), Swin Transformer (Swin-T).

Training & Evaluatie:

• Optimizer: Adam (learning rate 1e-3), Categorical Cross-Entropy loss, batch size 32.
• Stopconditie: Early stopping op validatieverlies (patience = 5).
• Metingen: Nauwkeurigheid (Accuracy), Precision, Recall, F1-score, Matthews Correlation Coefficient (MCC), Cohen's Kappa, ROC-AUC.
• Complexiteit: Aantal parameters, FLOPs (floating point operations), inferentietyd en generalisatiekloof (verschil tussen trainings- en validatienauwkeurigheid).

3. Belangrijkste Resultaten

Prestatievergelijking:

• Beste Nauwkeurigheid: EfficientNetV2-S behaalde de hoogste nauwkeurigheid van 95,8% (MCC en Kappa van 0,95).
• Runner-up: EfficientNetB0 behaalde 94,5%.
• Slechtste Prestatie: ViT-B16 behaalde slechts 88,5%, ondanks een groot aantal parameters.
• Lightweight: MobileNetV2 presteerde verrassend goed met 92,8% nauwkeurigheid.

Generalisatie en Overfitting:

• EfficientNetV2-S: Zeer kleine generalisatiekloof (1,6%), wat wijst op stabiel leren.
• ViT-B16: Grote generalisatiekloof van 10% (98,5% training vs. 88,5% validatie), wat duidt op ernstig overfitting bij beperkte data.
• Conclusie: Bij kleine datasets is parameterefficiëntie belangrijker dan modeldiepte.

Efficiëntie vs. Prestatie:

• EfficientNetB0 bood de beste afweging: 94,5% nauwkeurigheid met slechts 0,39 GFLOPs.
• ViT-B16 was inefficiënt: 17,6 GFLOPs voor een lagere nauwkeurigheid.
• MobileNetV2 (0,30 GFLOPs) is ideaal voor embedded systemen.

Classificatiefouten:
De meeste verwarring (misclassificaties) trad op tussen de rassen Erkence en Çelebi vanwege hun gelijkenis in diameter en huidkleur. Het ras Uslu was het makkelijkst te onderscheiden.

Statistische Significantie:
Een gepaarde t-test toonde aan dat het verschil tussen EfficientNetV2-S en EfficientNetB0 statistisch significant is (p = 0,012), hoewel B0 voor praktische toepassingen vaak de voorkeur verdient vanwege de lagere rekentijd.

4. Bijdragen en Significatie

Principale Bijdragen:

1. Dataset: Constructie van een gebalanceerde dataset van vijf specifieke Turkse olijvenrassen.
2. Vergelijkend Onderzoek: Systematische evaluatie van 10 moderne architecturen (CNN en Transformer) onder identieke omstandigheden.
3. Holistische Evaluatie: Niet alleen kijken naar nauwkeurigheid, maar ook naar statistische significantie, generalisatiekloof en rekentijd (FLOPs/parameters).
4. Inzicht in Architectuur: Demonstreert dat "grotere modellen zijn altijd beter" niet geldt voor fine-grained landbouwproblemen met beperkte data.

Praktische Implicaties:

• Edge Devices: MobileNetV2 is de beste keuze voor apparaten met beperkte rekenkracht.
• Balans: EfficientNetB0 biedt de beste balans tussen prestatie en complexiteit.
• Centrale Systemen: EfficientNetV2-S is de keuze voor systemen waar de hoogste nauwkeurigheid vereist is en rekentijd minder kritiek is.
• Transformers: Vanilla Vision Transformers (zoals ViT-B16) zijn minder geschikt voor kleine datasets zonder uitgebreide pre-training of data-augmentatiestrategieën die specifiek zijn voor deze schaal.

Conclusie:
De studie benadrukt dat voor automatische kwaliteitscontrole in de landbouw, parameterefficiëntie en generalisatievermogen cruciaal zijn. Voor Turkse olijvenrassen bieden gematigde, geoptimaliseerde CNN-architecturen (vooral de EfficientNet-familie) de meest robuuste oplossing, terwijl zware Transformer-modellen risico lopen op overfitting bij beperkte data.