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
- Tez No: 747452
- Danışmanlar: DR. ÖĞR. ÜYESİ HAMZA OSMAN İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 73
Özet
Olası hastalıkların bitki görsellerinden doğru şekilde belirlenmesi ile erken müdahale olanağının sunulması tarım alanındaki gelişmelere katkı sağlayacak, daha verimli üretimler yapılmasını sağlayacaktır. Üretim sürecinde üretimi engelleyici sebeplerden biri de mahsul ürünleri üzerinde oluşan bitki hastalıklarıdır. Hazırlanan bu tezde,“PlantVillage Dataset”isimli açık erişim veri kümesinden tez kapsamında elma, kiraz, mısır, üzüm, şeftali, dolma biber, çilek ve domates bitkilerine ait yaprak görüntüleri kullanılmıştır. Elma, mısır ve üzüm bitkilerine ait 3'er adet; kiraz, şeftali, dolma biber ve çilek bitkilerine ait 1'er adet ve son olarak domates bitkisinden 9 adet yaprak sınıf hastalığı seçilmiştir. Tek aşamalı çalışma için DS1 olarak isimlendirilen veri kümesi ile 30 sınıflı eğitim yapılarak bitki yaprak tür ve hastalıklarının doğru sınıflandırılması hedeflenmiştir. Tez kapsamında önerilen iki aşamalı analiz yaklaşımının ilk aşaması için DS2_1 ismiyle oluşturulan veri kümesinde, bitkilerin“sağlıklı”ve“sağlıksız”sınıfına ait görüntüler üzerinde 16 sınıflık bir eğitim süreci gerçekleştirilmiştir. İkinci aşamada ise birden fazla hastalığa sahip bitkilerin hastalıklı sınıfları, bitki türüne göre kümelendirilerek her bitki türü için veri kümeleri oluşturulmuş ve ayrı ayrı eğitilerek modeller oluşturulmuştur. Bu kapsamda elma, mısır, üzüm ve domates bitkilerinin hastalıklarının bulunduğu veri kümeleri sırasıyla DS2_2e, DS2_2m, DS2_2ü ve DS2_2d olarak isimlendirilmiştir. Bu veri kümeleri, ikinci aşamayı temsilen DS2_2 olarak adlandırılmıştır. DS2_1 ve DS2_2 kullanılarak oluşturulan modeller 30 sınıf yapısında ortak gösterim ile değerlendirilmiştir. Tek aşamalı analiz yaklaşımında deneysel sonuçlar neticesinde DenseNet169, DenseNet201, VGG16, ResNet50V2 ve ResNet152V2 modelleri için sırasıyla %94,55, %94,32, %93,44, %94,03 ve %93,67 doğruluk değerleri ve iki aşamalı analiz için aynı modellerle %95,88, %94,74, %95,1, %96,2 ve %95,97 değerleri ölçülmüştür. Sunulan çalışmada iki aşamalı gerçekleştirilen deneysel sonuçların tek aşamalı modele göre daha yüksek doğruluk sonuçları verdiği görülmüştür.
Özet (Çeviri)
The correct identification of possible diseases from plant images and provision of early intervention will contribute to the developments in agriculture and ensure more efficient production. One of the reasons that prevent production in the production process is plant diseases that occur on crop products. This thesis used leaf images of apple, cherry, corn, grape, peach, bell pepper, strawberry and tomato plants from the open-access dataset named“PlantVillage Dataset”. 3 each of apple, corn and grape plants; 1 each of cherry, peach, bell pepper and strawberry plants; and finally, 9 leaf class diseases of tomato plants were selected. The one-stage study aimed to correctly classify plant leaf species and diseases by training with 30-classes with the dataset DS1. For first stage of the two-stage analysis approach proposed within the scope of thesis, 16-class training process was carried out on the images of the“healthy”and“unhealthy”plants in dataset created with the name DS2_1. In the second-stage, diseased classes of plants with more than one disease were clustered according to plant species, datasets were created for each plant species and models were created by training separately. In this context, datasets with diseases of apple, corn, grape and tomato plants are named DS2_2e, DS2_2m, DS2_2ü and DS2_2d, respectively. These datasets are named DS2_2 to represent the second phase. Models created using DS2_1 and DS2_2 were evaluated with common notation in 30-class structures. As a result of the experimental results in one-stage analysis approach, the accuracy values %94.55, %94.32, %93.44, %94.03 and %93.67 for DenseNet169, DenseNet201, VGG16, ResNet50V2 and ResNet152V2 models, respectively, and for the two-stage analysis, the values %95.88, %94.74, %95.1, %96.2 and %95.97 were measured with the same models. In the presented study, it was seen that experimental results performed in two-stages gave higher accuracy results than the one-stage model.
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
- A comparative study of YOLOv8 and faster R-CNN in fruit leaf disease detection for precision
Meyve yaprağı hastalığının tespıtı ıçın YOLOv8 ve faster R-CNN metotlarının kullanımı
ARELDI BALA
Yüksek Lisans
İngilizce
2024
ZiraatAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CAFER ÇALIŞKAN
- Image leaf classification for plant diseases detection using grey wolf optimization technique
Başlık çevirisi yok
AMENAH NAZAR JABBAR JABBAR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Konvolüsyonel sinir ağlarını kullanarak üzüm ve üzüm yapraklarının hastalıklarının tespit edilmesi
Grape and grape leaves diseases detection using convolutional neural networks
SHEKOFA GHOURY
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL SUNGUR
- Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Classification of olive leaf diseases using deep learning techniques
NEŞE UYSAL
Yüksek Lisans
Türkçe
2020
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN UĞUZ