Derin öğrenme metodları ile elma yapraklarındaki hastalıkların tespiti
Detection of apple leaf diseases using deep learning methods
- Tez No: 1024020
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜLİZ TOZ
- 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: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elma yetiştiriciliği, dünya genelinde olduğu gibi Türkiye'de de önemli bir tarımsal faaliyet alanıdır ve özellikle Karaman ili ülkenin önde gelen elma üretim merkezlerinden biri olarak ekonomik açıdan önemli bir konuma sahiptir. Ancak elma üretiminde verim ve kaliteyi olumsuz etkileyen çeşitli hastalıklar önemli kayıplara neden olmaktadır. Kara leke (Venturia inaequalis), siyah çürüklük (Botryosphaeria obtusa) ve ardıç elma pası (Gymnosporangium juniperi-virginianae) gibi yaygın yaprak hastalıkları, hem ürün miktarında azalmaya hem de meyve kalitesinde düşüşe yol açabilmektedir. Bu hastalıkların erken dönemde ve doğru bir şekilde tespit edilmesi, ürün kayıplarının azaltılması ve etkili mücadele stratejilerinin uygulanabilmesi açısından büyük önem taşımaktadır. Günümüzde hastalık teşhisi büyük ölçüde uzmanların görsel değerlendirmelerine dayanmaktadır. Ancak bu yaklaşım zaman alıcı olmakta, uzman deneyimine bağlı olarak değişken sonuçlar üretebilmekte ve geniş ölçekli uygulamalarda yetersiz kalabilmektedir. Bu nedenle son yıllarda hızlı, güvenilir ve otomatik hastalık teşhis sistemlerinin geliştirilmesine yönelik çalışmalar önemli ölçüde artmıştır. Bu çalışmada, elma yaprağı hastalıklarının yüksek doğrulukla sınıflandırılması amacıyla TriFusionNet-RVL adı verilen yeni bir hibrit derin öğrenme modeli önerilmektedir. Önerilen model, farklı mimarilerin güçlü yönlerinden yararlanmak amacıyla ResNet50, VGG16 ve transformer tabanlı dikkat mekanizmalarından esinlenen Hafif Dikkat Kodlayıcısını (Lightweight Attention Encoder) tek bir çatı altında birleştirmektedir. Böylece hem yerel hem de küresel özelliklerin daha etkin biçimde temsil edilmesi hedeflenmiştir. Modelin performansını değerlendirmek amacıyla Kaggle platformundan elde edilen ve dört sınıfa ait toplam 8.800 görüntü içeren bir veri kümesi kullanılmıştır. Veri kümesi eğitim (%80), doğrulama (%10) ve test (%10) olmak üzere üç alt kümeye ayrılmıştır. Deneysel sonuçlar, TriFusionNet-RVL'in test veri kümesi üzerinde %99.43 doğruluk, 0.994 kesinlik, 0.994 duyarlılık ve 0.994 F1 puanı elde ettiğini göstermektedir. Elde edilen sonuçlar; Xception (%94.66), InceptionV3 (%95.34), VGG16 (%97.27), EfficientNetB0 (%98.07), LeViT Benzeri (%98.18) ve ResNet50 (%99.09) modellerinin performanslarını geride bırakmıştır. Bu bulgular, farklı mimarilerden elde edilen tamamlayıcı özelliklerin bir araya getirilmesinin sınıflandırma başarısını artırdığını göstermektedir. Geliştirilen model, elma bahçelerinde erken hastalık tespitine katkı sağlayabilecek, gereksiz kimyasal kullanımını azaltabilecek ve ürün verimliliğini destekleyebilecek yüksek doğruluklu bir karar destek aracı olarak değerlendirilebilir.
Özet (Çeviri)
Apple cultivation is an important agricultural activity both worldwide and in Türkiye, and the province of Karaman is one of the country's leading appleproducing regions with considerable economic significance. However, various diseases that affect apple trees continue to pose a serious threat to both yield and fruit quality. Common leaf diseases such as apple scab (Venturia inaequalis), black rot (Botryosphaeria obtusa), and cedar apple rust (Gymnosporangium juniperivirginianae) can lead to substantial reductions in production and market value. Therefore, the early and accurate detection of these diseases is essential for minimizing crop losses and supporting effective disease management strategies. In practice, disease diagnosis largely depends on visual inspection performed by agricultural experts. However, this approach is time-consuming, may produce inconsistent results depending on the experience of the evaluator, and is often impractical for large-scale applications. Consequently, there has been growing interest in the development of fast, reliable, and automated disease diagnosis systems in recent years. In this study, a novel hybrid deep learning model, called TriFusionNet-RVL, is proposed for the accurate classification of apple leaf diseases. The proposed architecture combines ResNet50, VGG16, and a Lightweight Attention Encoder inspired by transformer-based attention mechanisms in order to exploit the strengths of different feature extraction strategies. By integrating these complementary architectures, the model aims to capture both local and global image features more effectively. To evaluate the performance of the proposed approach, a publicly available dataset obtained from Kaggle was used. The dataset consists of 8,800 images belonging to four classes and was divided into training (80%), validation (10%), and test (10%) subsets. Experimental results demonstrate that TriFusionNet-RVL achieves an accuracy of 99.43%, a precision of 0.994, a recall of 0.994, and an F1-score of 0.994 on the test dataset. The proposed model outperformed all benchmark architectures considered in this study, including Xception (94.66%), InceptionV3 (95.34%), VGG16 (97.27%), EfficientNetB0 (98.07%), the LeViT-like model (98.18%), and ResNet50 (99.09%). These findings indicate that combining complementary features extracted from different architectures can improve classification performance. The proposed model may serve as a high-accuracy decision-support tool for the early detection of apple leaf diseases, potentially contributing to reduced chemical usage, improved crop productivity, and more sustainable agricultural practices.
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
- Derin pekiştirmeli öğrenme ile robot kol tork kontrolü
Robotic arm torque control via deep reinforcement learning
MUHAMMED RAŞİT EVDÜZEN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR İPLİKÇİ
- Derin öğrenme ile süper çözünürlüklü radar görüntüleme
Super resolution radar imaging with deep learning
İREM FADİME ERİM
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Application of deep learning for array microphone processing
Derin öğrenme ile dizilimli mikrofon işlemesi
MUHAMMED FURKAN AKYÜREK
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA LEVENT ARSLAN