Smart detection and diagnosis of plant disease using deep and machine learning methods
Derin ve makine öğrenmeyi kullanarak bitki hastalığının akıllı tespiti ve teşhisi
- Tez No: 795071
- Danışmanlar: Prof. Dr. ALİ OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 66
Özet
Bitkilerdeki herhangi bir hastalığı tespit etmek gibi bizim için zor ancak makineler için daha kolay olan birçok görev, insanların tarım alanında uzun yıllara dayanan deneyimleri olmadan bitkilerdeki hastalıkları bulması zordur ve bu da bitkiler üzerinde büyük etkilere neden olabilir. Tarımda, bitkilerin hastalıklarını erken aşamalarda tanımak ve bulmak çok önemlidir. Çünkü bitkilerdeki hastalıklar mahsulün verimini etkileyebilir. Bitkiler için sağlıksızdır ve karşılığında çiftçiyi çok fazla etkileyebilir ve son olarak gıda güvenliğini tehlikeye atabilir. Bilgisayarla görme tekniklerini kullanarak, yapraklarını sınıflandırarak sağlıklı ve etkilenmiş bitkileri ayırt etmek için en son makine öğrenimi algoritmaları ve derin öğrenme modelleri yardımıyla bitkileri sınıflandırabiliriz. Bitki yapraklarını kullanarak bitkilerdeki hastalıkları tespit etmek için farklı araştırmacıların farklı teknikler ve farklı önceden eğitilmiş derin öğrenme ağları (DenseNet121, EfficientNetB0, InceptionV3, VGG19 ve Xception) ve klasik makine öğrenimi algoritmaları kullanarak farklı bitkiler üzerinde çalıştığı tekniklerden biridir. Bu araştırma iki farklı yaklaşım üzerinde çalışmıştır. İlk olarak, deneysel bileşen farklı bitki görüntülerini kullanarak modelleri eğitmektedir. Ardından, daha önce eğitilmiş olan modellerin eğitilmesi. Çalışmamızda yaptığımız deneylerde elde ettiğimiz sonuçlara göre Xception ağları derin öğrenme modellerinden takdire şayan bir performans sergilemiştir. Bize %89,93'lük bir doğruluk oranı veriyor. Diğer yandan makine öğrenmesi algoritmalarından Random Forest, SVM ve Decision Tree'den çok daha iyi performans gösterdi. Sonuçlarımıza ek olarak, önceden eğitilmiş ağ sisteminin performansının Bitki hastalığı tespiti için en iyi bulguları verdiğini göstermektedir.
Özet (Çeviri)
Many tasks are difficult for us but easier for machine to do as to detect any disease in plants it is difficult for human beings to find the diseases in plants without heaving years of experience in farming which can cause immense effect to the plants. In agriculture it is very important to recognize and find the disease of the plants in the early stages. As, disease in the plants can affect the yield of the crops. It is unhealthy for the plants and in return it can affect a lot to the farmer and in last danger to the food-security. Using computer vision techniques, we can classify the plants with the help of state-of the art ML algorithms and deep learning models to differentiate between healthy and the effected plants by classifying their leaves. It is one of the techniques that different researchers worked on different plants using different techniques and different pre-trained deep learning networks (DenseNet121, EfficientNetB0, InceptionV3, VGG19, and Xception) and classic machine learning algorithms to detect the diseases on the plants using the plant leaves. This research worked on two different approaches. First, the experimental component trains models using different plants images. Then, the training of the models that have already been trained. According to the results that we get in our experiments in our work, the Xception networks performed admirably from deep learning models. It gives us an accuracy of 89.93%. On other hand, from machine learning algorithms Random Forest performed much better than the SVM and Decision Tree. In addition to our results, it indicates that the performance of the pre-trained network system gives the best findings for Plant disease detection.
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
- Elektroüretimle nanolif eldesine etki eden faktörlerin ve jelatin-pektin içeren nanoliflerin model gıdaların reolojik özelliklerine etkilerinin incelenmesi
Investigations on affecting parameters of electrospinning and rheological properties of model food systems containing electrospun gelatin-pectin nanofibers
ALPARSLAN KUMRU
Yüksek Lisans
Türkçe
2013
Gıda Mühendisliğiİstanbul Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FİLİZ ALTAY
- Ekstrakranial internal karotis arter oklüzif hastalıklarında MRA tekniklerinin tanı değeri
The Diagnostic value of MRA techniques in the occlussive diseases of extracranial internal carotid arteries
HAKKI TATOĞLU
Tıpta Uzmanlık
Türkçe
2000
Radyoloji ve Nükleer TıpTrakya ÜniversitesiRadyodiagnostik Ana Bilim Dalı
PROF.DR. BİLGE ÇAKIR
- Trifazik BT çekim protokolu ve hastanemizdeki karaciğer kitle lezyonlarının trifazik BT ile değerlendirilmesi
Triphasic CT application protocol andexample of liver mass lesions in ourhospital with triphasic CT
SABRİYE GÜLÇİN BOZBEYOĞLU
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpSağlık BakanlığıRadyoloji Ana Bilim Dalı
PROF. DR. MEHMET MASUM ŞİMŞEK
- Yoğun bakım ünitesi'nde takip edilen hastaların MPV ve MPV/ trombosit oranlarının karşılaştırılması ve prognoz üzerine etkilerinin araştırılması
Comparison of MPV and MPV / thrombocyte ratios and prognosis of patients followed by intensive care unit
SENA TUĞBA KAHRAMAN
Tıpta Uzmanlık
Türkçe
2018
Anestezi ve ReanimasyonSağlık Bilimleri ÜniversitesiAnesteziyoloji ve Reanimasyon Ana Bilim Dalı
DOÇ. DR. ÖZNUR ŞEN