Akademik Veri Yönetim Sistemi
EGE 14th INTERNATIONAL CONFERENCE ON APPLIED SCIENCES, İzmir, Türkiye, 23 Aralık 2025 - 29 Ocak 2026, cilt.2, sa.1, ss.923-939, (Tam Metin Bildiri)
Bağcılık, küresel tarım
ekonomisinin en önemli sektörlerinden biri olmasının yanı sıra, kültürel miras
ve coğrafi kimliğin de taşıyıcısıdır. Üzüm çeşitlerinin doğru ve güvenilir
sınıflandırılması, menşe sertifikasyonu, tüketici güveni ve tarımsal sürdürülebilirlik
açısından kritik öneme sahiptir. Geleneksel ampelografi, yaprak morfolojisi ve
salkım yapısı gibi fenotipik özelliklerin uzmanlarca görsel incelenmesine
dayanmakla birlikte, öznellik, fenotipik plastisite ve ölçeklenebilirlik
sorunları nedeniyle modern bağcılığın ihtiyaçlarını karşılamakta yetersiz
kalmaktadır. Hassas Bağcılık paradigması, veri odaklı ve otomatik yöntemlerle
bağ yönetimini dönüştürürken, Evrişimsel Sinir Ağları (CNN’ler) bu dönüşümün en
güçlü katalizörü olmuştur. Bu derleme, CNN tabanlı dijital ampelografi
yaklaşımlarını sistematik olarak incelemekte; kullanılan veri setlerini, model
mimarilerini, performans metriklerini ve karşılaşılan temel zorlukları
değerlendirmektedir. Çalışma, araştırmacılara ve sektör profesyonellerine, geleneksel
bilgelik ile yapay zekânın gücünü birleştiren yeni nesil bağcılık sistemlerinin
bilimsel temelini ve gelecekteki araştırma yönelimlerini sunmaktadır.
Viticulture is not only a
cornerstone of the global agricultural economy but also a bearer of cultural
heritage and geographical identity. Reliable identification and classification
of grapevine cultivars are essential for origin certification, consumer trust,
and agricultural sustainability. Traditional ampelography, based on visual inspection
of leaf morphology and cluster traits, has long served this purpose; however,
its subjectivity, phenotypic plasticity, and limited scalability restrict its
applicability in modern viticulture. Precision Viticulture (PV) introduces
data-driven and automated vineyard management, with Convolutional Neural
Networks (CNNs) emerging as the most powerful catalyst of this transformation.
This review systematically examines CNN-based digital ampelography approaches,
analyzing datasets, model architectures, performance metrics, and major
challenges such as data imbalance and domain adaptation. The study provides
researchers and industry professionals with a scientific roadmap for
integrating traditional expertise with artificial intelligence, shaping the
future of viticulture through scalable, accurate, and explainable digital
systems.