Derin öğrenme yöntemleri kullanarak mısır yapraklarında hastalıkların otomatik teşhisi için bir sistem geliştirme ve incelenme
Development and investigation of a system for automatic diagnosis of maize leaf diseases using deep learning methods
- Tez No: 1005519
- Danışmanlar: DR. ÖĞR. ÜYESİ AKİF KURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mısır, küresel gıda güvenliği için temel bir tarım ürünüdür; ancak verimi, çeşitli bitki hastalıkları tarafından ciddi şekilde tehdit edilmektedir. Bu hastalıkların erken ve doğru tespiti, ürün kayıplarını en aza indirmek ve tarımsal sürdürülebilirliği sağlamak için kritik öneme sahiptir. Bu çalışma, mısır yaprağı görüntülerinden dört farklı sınıfı (üç hastalık ve bir sağlıklı sınıf) sınıflandırmak amacıyla modern derin öğrenme mimarilerinin performansını kapsamlı bir şekilde karşılaştırmaktadır. Bu doğrultuda, ResNet (18, 34, 50, 101, 152), DenseNet (121, 169, 201) ve EfficientNetV2 (Small, Medium, Large) ailelerine ait toplam on bir model, standart bir metodoloji kullanılarak eğitilmiş ve etkinlikleri değerlendirilmiştir. Elde edilen sonuçlar, tüm modellerin yüksek performans gösterdiğini ortaya koymakla birlikte, EfficientNetV2-L modelinin %98.84 doğruluk ve %98.34 F1-skoru ile en üstün başarıyı elde ettiğini göstermiştir. Ayrıca, çalışma, en yüksek doğruluğun en yüksek hesaplama maliyetiyle geldiğini ve DenseNet-169 ile ResNet-50 gibi modellerin, daha az kaynak kullanımıyla rekabetçi sonuçlar sunarak önemli bir performans-verimlilik dengesi sağladığını vurgulamıştır. Bu araştırma, mısır hastalıklarının otomatik tespiti için en uygun derin öğrenme modelinin seçimine yönelik kanıta dayalı bir rehber sunmakta ve akıllı tarım teknolojilerinin pratik uygulamaları için değerli çıkarımlar sağlamaktadır.
Özet (Çeviri)
To address the threat that plant diseases pose to maize, a cornerstone of global food security, this paper presents a comparative evaluation of modern deep learning architectures for automated disease classification. The study systematically assessed eleven models derived from the ResNet, DenseNet, and EfficientNetV2 families on their ability to distinguish between three diseased states and one healthy state in maize leaves. While all architectures proved to be highly effective, EfficientNetV2-L yielded the highest predictive performance with an accuracy of 98.84% and an F1-score of 98.34%. A key focus of the analysis was the trade-off between predictive accuracy and computational expense, which revealed a positive correlation across all models. Notably, architectures such as DenseNet-169 and ResNet-50 represent compelling options, demonstrating a favorable balance between high performance and moderate resource requirements. This work offers an evidence-based framework to inform the selection of appropriate deep learning models for practical deployment in smart agricultural systems.
Benzer Tezler
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Automatic determination of plant type and phenological stage with deep learning methods
Tarla görüntülerinden bitki türü ve fenolojik evresinin derin öğrenme yöntemleri ile otomatik saptanması
AIGERIM KAIROLDAYEVA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Mısır taneleri kalite parametrelerinin yakın kızılötesi spektroskopi ve bir boyutlu evrişimsel otokodlayıcı ile tespiti
Determination of quality parameters of corn seeds by near-infrared spectroscopy and one dimensional convolutional autoencoder
ÖZCAN ÇATALTAŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL TÜTÜNCÜ
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Multi-year time series crop mapping
Çoklu-yıl zaman serisi ürün haritalama
MUSTAFA TEKE
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. YASEMİN YARDIMCI ÇETİN