Elma hastalıklarının meta öğrenme ve az örnekle öğrenme yöntemleri ile tespiti
Detection of apple diseases using meta-learning and few-shot learning methods
- Tez No: 1005598
- Danışmanlar: DOÇ. DR. GÜLTEKİN IŞIK
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elma, dünyada en yaygın yetiştirilen ve ekonomik değeri yüksek olan meyvelerden biridir. Ancak elma yaprak hastalıkları, ürün kalitesinde ciddi kayıplara neden olmakta, verimi düşürmekte ve üretim maliyetlerini artırmaktadır. Bu hastalıkların erken ve doğru şekilde tespiti hem ilaçlama stratejilerinin optimize edilmesi hem de sürdürülebilir tarımın sağlanması açısından büyük önem taşımaktadır. Geleneksel hastalık tespit yöntemleri genellikle uzman bilgisine ve manuel gözlemlere dayanmakta; bu durum zaman alıcı, maliyetli ve insan hatasına açık süreçler doğurmaktadır. Son yıllarda derin öğrenme ve yapay zekâ tabanlı yöntemler, bitki hastalıklarının otomatik olarak tanınmasında etkili çözümler sunarak bu alanda önemli ilerlemeler sağlamıştır. Bu tez kapsamında, elma yaprak hastalıklarının sınıflandırılması amacıyla Transformer (BEiT, CAiT, DEiT, TNT, VIT) ve ResNet (ResNet18, ResNet34, ResNet50) mimarileri MAML ve MAML++ algoritmalarıyla bütünleştirilmiştir. Amaç, az sayıda örnek üzerinden yüksek doğruluk elde edebilen ve genelleme yeteneği güçlü modeller geliştirmektir. Kullanılan PlantVillage veri seti, meta-öğrenme yapısına uygun biçimde 20 sınıflık meta-train, 8 sınıflık meta-validation ve 4 sınıflık meta-test olarak yapılandırılmıştır. Meta-test aşamasında“Apple Scab”,“Black Rot”,“Cedar Apple Rust”ve“Healthy”sınıfları üzerinde 2-way ve 5-way görevlerde, 1, 3 ve 5-shot senaryoları yürütülmüş ve toplamda 96 farklı deney gerçekleştirilmiştir. Deneysel sonuçlar, özellikle DEiT + MAML++ modelinin 2-way 5-shot konfigürasyonunda en yüksek performansı gösterdiğini ortaya koymuştur. Bu model için elde edilen değerler; Test Loss: 0.0329, Accuracy: %98.80, F1-Score: 0.9880, Precision: 0.9882, Recall: 0.9880, MSE: 0.0413, ROC-AUC: 0.9999, Sensitivity: 0.9880 ve Specificity: 0.9960 olarak ölçülmüştür. Ayrıca dikkat haritaları (attention rollout) analizleri, modelin yaprak üzerindeki hastalıklı bölgeleri biyolojik olarak anlamlı biçimde vurguladığını göstermiştir. Elde edilen bulgular, Transformer tabanlı meta-öğrenme modellerinin sınırlı veri koşullarında klasik CNN tabanlı yaklaşımlara kıyasla daha yüksek genelleme kapasitesine sahip olduğunu göstermektedir. Literatürdeki benzer çalışmalarla karşılaştırıldığında, bu tezde geliştirilen sistemin az örnekle öğrenme performansı ve yüksek doğruluk oranları bakımından dikkate değer bir iyileşme sağladığı görülmektedir. Özellikle DEiT + MAML++ kombinasyonu, neredeyse kusursuz ROC-AUC değeriyle tarımsal görüntü analizi için güçlü bir yapay zekâ temeli sunmaktadır. Bu yönüyle çalışma, yalnızca elma hastalıklarının tespitiyle sınırlı kalmayıp, farklı bitki türleri ve hastalıklar için de genellenebilir bir çözüm potansiyeli taşımakta; erken teşhis, kaynak verimliliği ve sürdürülebilir tarım uygulamaları açısından önemli katkılar sağlamaktadır.
Özet (Çeviri)
Apple is one of the most widely cultivated and economically valuable fruit crops worldwide. However, apple leaf diseases cause significant losses in yield and quality, increasing production costs and reducing market value. Early and accurate detection of these diseases is crucial for optimizing pesticide use, preventing large-scale yield losses, and promoting sustainable agriculture. Traditional diagnosis methods rely heavily on expert observation and laboratory analysis, which are time-consuming, costly, and prone to human error. In this context, artificial intelligence and deep learning-based techniques have emerged as efficient tools for automating disease detection, offering faster, more accurate, and scalable solutions for agricultural applications. In this thesis, a hybrid approach integrating Transformer architectures (BEiT, CAiT, DEiT, TNT, ViT) and ResNet architectures (ResNet18, ResNet34, ResNet50) with MAML and MAML++ meta-learning algorithms is proposed for the classification of apple leaf diseases. The primary goal is to develop models capable of achieving high accuracy and strong generalization from a limited number of training samples. The PlantVillage dataset was structured according to the meta-learning paradigm into 20 meta-train, 8 meta-validation, and 4 meta-test classes. During the meta-test phase, four apple-related classes; Apple Scab, Black Rot, Cedar Apple Rust, and Healthy were used under 2-way and 5-way tasks with 1, 3, and 5-shot configurations, resulting in a total of 96 experiments. The experimental findings demonstrated that the DEiT + MAML++ model achieved the best overall performance under the 2-way 5-shot setting, with Best Test Loss: 0.0329, Accuracy: 98.80%, F1-Score: 0.9880, Precision: 0.9882, Recall: 0.9880, MSE: 0.0413, ROC-AUC: 0.9999, Sensitivity: 0.9880, and Specificity: 0.9960. Furthermore, attention rollout visualizations confirmed that the model accurately focused on biologically meaningful disease regions such as lesions and necrotic spots. The obtained results indicate that Transformer-based meta-learning models exhibit superior generalization capability compared to conventional CNN-based approaches under limited data conditions. When compared to similar studies in the literature, the proposed framework demonstrates a remarkable improvement in few-shot learning performance and classification accuracy. Particularly, the near-perfect ROC-AUC value achieved by the DEiT + MAML++ model highlights its potential as a robust deep learning foundation for agricultural image analysis. Overall, the findings suggest that the developed system can be generalized to other plant species and disease types, providing a reliable, scalable, and intelligent solution for early disease detection, resource efficiency, and sustainable agriculture.
Benzer Tezler
- Tarımsal ortamlarda bitki hastalıklarının gerçek zamanlı tespiti için yapay zekâ tabanlı melez algoritma tasarımı
Design of an artifical intelligence based hybrid algorithm for real-time detection of plant diseases in agricultural environments
İLAYDA YAĞ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTAÇ ALTAN
- Batı Akdeniz bölgesinin önemli elma yetiştiriciliği yapılan yörelerinde bazı virüs hastalıklarının ELISA ve RT-PCR yöntemiyle tanılanması
Identification of some virus diseases in important apple growing provinces of West Mediterranean region by ELISA and RT-PCR
YASEMİN ULUDAĞ
Yüksek Lisans
Türkçe
2007
ZiraatMustafa Kemal ÜniversitesiBitki Koruma Ana Bilim Dalı
PROF.DR. KADRİYE ÇAĞLAYAN
PROF.DR. SAADETTİN BALOĞLU
Y.DOÇ.DR. ÇİĞDEM SERÇE
- Derin öğrenme ile meyve yaprakları hastalıklarının tespiti
Fruit leaves deaseas detection by deep learning
ASSAD SOULEYMAN DOUTOUM
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT TUĞRUL
- Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması
Classification of plant diseases using transfer learning-based explainable deep learning methods
AHMET ENES KILIÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT KARAKOYUN
- Yumuşak çekirdekli meyve ağaçlarında gövde zararlanmalarına neden olan viral etmenlerin biyolojik, serolojik ve moleküler yöntemlerle saptanması ve karakterizasyonu
Determination and characterization of viruses are harmful to stem tissue of pome fruit trees by biological, serological and molecular techniques
NEVZAT BİRİŞİK