Dengesiz veri kümeleri, özellikle tıbbi tanı ve bitki hastalıkları analizi gibi veri toplamanın zor olduğu uygulama alanlarında, görüntü sınıflandırma sistemlerinin performansını önemli ölçüde düşürmektedir. Bu sorunu hafifletmek için azınlık sınıflarındaki örnek sayısını artıran veri artırma (data augmentation) yöntemleri yaygın olarak kullanılmaktadır.
Bu çalışmada, Whale Optimization Algorithm–based Image Augmentation (WOA-IA) adı verilen, optimize edilmiş kenar tespitine dayalı yeni bir görüntü artırma yaklaşımı önerilmektedir. Geleneksel artırma tekniklerinden farklı olarak, önerilen yöntem, orijinal görüntüleri en uygun şekilde çıkarılmış kenar temsilleriyle birleştirerek sentetik örnekler üretmektedir.
Kenar tespiti, parametreleri referans kenar görüntüleriyle benzerliği maksimize edecek şekilde balina optimizasyon algoritması kullanılarak optimize edilen çok katmanlı bir filtre yapısı aracılığıyla gerçekleştirilmektedir. Elde edilen kenar görüntüleri daha sonra açısal yerleştirmeye dayalı bir artırma modeline entegre edilmektedir.
Önerilen WOA-IA yönteminin etkinliği, Plant Leaves, Flowers102, Cassava, Plant Village ve HAM10000 olmak üzere yaygın olarak kullanılan beş dengesiz veri kümesi üzerinde; DenseNet201, MobileNet ve VGG16 gibi önceden eğitilmiş CNN modelleri kullanılarak değerlendirilmiştir. Deneysel sonuçlar, özellikle yüksek dengesizlik oranına sahip veri kümelerinde, önerilen yöntemin hem dengesiz veri kümelerine hem de standart kenar tabanlı artırma tekniklerine kıyasla sınıflandırma performansını tutarlı bir şekilde iyileştirdiğini göstermektedir.