Evrişimli sinir ağları ile domates yaprak hastalığı sınıflandırması
Classification of tomato leaf diseases using convolutional neural networks
- Tez No: 1021437
- Danışmanlar: DOÇ. DR. MAHİR KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Domates, küresel ölçekte en önemli sebze ürünlerinden biri olmasına rağmen, çeşitli hastalıklar nedeniyle kritik verim kayıplarına maruz kalmaktadır. Uzmanlar tarafından yapılan görsel incelemeye dayalı geleneksel teşhis yöntemleri; doğası gereği öznel, zaman alıcı ve hataya açıktır. Bu zorlukların üstesinden gelmek amacıyla, bu çalışma kapsamında karmaşık arka plan ve değişken görüntüleme koşullarına sahip veri seti düzeyinde ön işlenmemiş görüntülerde domates hastalıklarının sağlam ve otomatik tespiti için Asimetrik Inception (Asymmetric Inception) modülleri ile Mekansal Dikkat (Spatial Attention) mekanizmalarını sinerjik bir şekilde entegre eden özgün bir derin öğrenme mimarisi önerilmektedir. Önerilen yaklaşımın temel yeniliği, ince taneli lezyonlardan küresel yaprak modellerine kadar çok ölçekli patolojik özellikleri verimli bir şekilde yakalayan Asimetrik Inception tasarımıdır. Aynı zamanda, dikkat mekanizması dinamik olarak ilgili bölgelere odaklanarak çevresel arka plan gürültüsünü etkili bir şekilde bastırmaktadır. Sistematik bir deneysel çerçeve çalışmaları aracılığıyla en uygun mimari konfigürasyon belirlenmiştir. Önerilen model(ASCONET), zorlu ön işlenmemiş datasetinde toplanan görüntülerden oluşan“Tomato-Village”veri seti üzerinde %94,36 doğruluk (accuracy), %94,29 kesinlik (precision), %92,34 duyarlılık (recall) ve %95,75 AUC değerleri ile son teknoloji (state-of-the-art) performans sergilemiştir. Ayrıca, aynı mimari kontrollü ön işlenmiş“PlantVillage”veri seti üzerinde %99'un üzerinde doğruluk elde ederek olağanüstü bir genelleme yeteneği göstermiştir. Bu sonuçlar, çok ölçekli özellik çıkarımı ve mekansal dikkatin stratejik kombinasyonunun, modelin çevresel değişkenliğe karşı dayanıklılığını önemli ölçüde artırdığını kanıtlamaktadır. Sonuç olarak, geliştirilen sistem pratik tarımsal uygulamalar için son derece doğru ve ölçeklenebilir bir çözüm sunmaktadır.
Özet (Çeviri)
Tomato is one of the most globally significant vegetable crops, yet it suffers critical yield losses due to various diseases. Traditional diagnosis methods, relying on visual inspection, are inherently subjective, labor-intensive, and prone to error. To address these challenges, this study proposes a novel deep learning architecture that synergistically integrates Asymmetric Inception modules with valid Spatial Attention mechanisms for the robust automated detection of tomato diseases under complex real-world complexity conditions. The core innovation of our approach lies in the Asymmetric Inception design, which efficiently captures multi-scale pathological features—from fine-grained lesions to global leaf patterns—while the attention mechanism dynamically focuses on relevant regions, effectively suppressing environmental background noise. Through a systematic experimental framework and rigorous ablation studies, the optimal architectural configuration was identified. The proposed model(ASCONET) achieved state-of-the-art performance with 94.36% accuracy, 94.29% precision, 92.34% recall, and 95.75% AUC on the Tomato-Village dataset, which comprises images collected under challenging real-field conditions. Furthermore, the same architecture demonstrated exceptional generalization capability, attaining over 99% accuracy on the controlled PlantVillage dataset. These results substantiate that the strategic combination of multi-scale feature extraction and spatial attention significantly enhances model robustness against environmental variability. Consequently, the developed system provides a highly accurate, scalable solution for practical agricultural applications.
Benzer Tezler
- Yapay sinir ağları ile bitki hastalıklarının teşhisi
Diagnosis of plant diseases with artificial neural networks
HALUK TANRIKULU
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT HÜSNÜ SAZLI
- Derin öğrenme teknikleri kullanılarak bitki yaprağı görüntüleri üzerinden tür ve olası hastalık tespiti
Species and possible disease detection on plant leaf images using deep learning techniques
İREM NUR ECEMİŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAMZA OSMAN İLHAN
- Modül bazlı iyileştirilmiş derin öğrenme modelleriyle bitkilerde hastalıkların teşhisi
Diagnosis of diseases in plants with module-based improved deep learning models
ALİ EMRE GÖK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- İki boyutlu sağlık, tarım ve iş güvenliği imgeleri üzerinde sınıflandırma ve nesne tespiti
Classification and object detection on two dimensional health, agriculture, and occupational safety images
EMİNE CENGİL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÇINAR
- Evrişimli sinir ağları ile mitotik figür sınıflandırması
Classification of mitotic figures with convolutional neural networks
ERSİN KILIÇ
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SERKAN ÖZTÜRK