Yapay zeka ile domates hastalıklarının tespiti ve sınıflandırılması
Detection and classification of tomato diseases with artificial intelligence
- Tez No: 858766
- Danışmanlar: DR. ÖĞR. ÜYESİ ERSAN OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Hızla artan küresel nüfus ile birlikte dünyada gıda talebi sürekli artmaktadır. Tarım alanlarının sınırlı olması ve iklimsel değişiklikler artan bu ihtiyacın karşılanmasında, tarımda verimin arttırılması ve kayıpların önlenmesini zorunlu kılmaktadır. Tarımdaki kayıpların önlenmesi için bitki hastalıkları ve zararlılarının, erken ve doğru bir şekilde tespit edilip sınıflandırılması, teknolojinin kullanımı ile mümkündür. Bu amaçla çalışmada, transfer öğrenme yöntemi ile domates yaprak hastalıklarının sınıflandırması yapılmıştır. Çalışma kapsamında Antalya bölgesinden elde edilen domates yaprağına ait 1100 adet ToBRFV (Tomato Brown Rugose Fruit Virus/Domates Kahverengi Buruşukluk Meyve Virüsü) içeren görüntüler veri arttırma yöntemleri ile arttırılmış, 3070 adet görüntüden oluşan ToBRFV veri kümesi oluşturulmuştur. Oluşturulan ToBRFV veri kümesi, 11 sınıfa ait görüntüler içeren veri arttırma uygulanmış“Tomato Disease Multiple Sources”isimli veri kümesiyle birleştirilmiş, daha geniş kapsamlı veri kümesi oluşturulmuştur. 35550 görüntü ve 12 sınıftan oluşturulan bu veri kümesi, tabakalı 5-katlı çapraz doğrulama kullanılarak transfer öğrenme yöntemiyle Vgg19, ResNet101 ve EfficientNetB3 mimarileri kullanılarak 10 dönem eğitilmiş ve performans sonuçları kıyaslanmıştır. Vgg19, ResNet101 ve EfficientNetB3 mimarilerine ait ortalama test doğrulukları sırasıyla %85,02, %96,96 ve %99,27 olmuştur. Her mimarideki 5 çapraz doğrulama sonucu oluşan 15 farklı modelden, EfficientNetB3-Model 1 ise %99,54 ile çalışmadaki en iyi test doğruluğu sonucunu vermiştir. Ayrıca aynı model, ToBRFV dahil 3 sınıfa ait görüntüleri tam doğrulukla sınıflandırmıştır. Elde edilen sonuçlarla farklı domates hastalıklarının da sınıflandırılmasında EfficientNetB3 mimarisinin, güvenilir ve doğru bir şekilde kullanılabileceği görülmektedir.
Özet (Çeviri)
With the rapidly increasing global population, the demand for food in the world is constantly increasing. Limited agricultural areas and climatic changes make it necessary to increase productivity and prevent losses in agriculture in order to meet this increasing need. Early and accurate detection and classification of plant diseases and pests to prevent losses in agriculture is possible with the use of technology. For this purpose, in the study, tomato leaf diseases were classified using the transfer learning method. Within the scope of the study, images containing 1100 ToBRFV (Tomato Brown Rugose Fruit Virus) of tomato leaves obtained from the Antalya region were increased with data augmentation methods, and a ToBRFV dataset consisting of 3070 images was created. The created ToBRFV dataset was combined with the dataset named“Tomato Disease Multiple Sources”, which included images of 11 classes, and a more comprehensive dataset was created. This dataset, created from 35550 images and 12 classes, was trained for 10 epochs using Vgg19, ResNet101 and EfficientNetB3 architectures with the transfer learning method using stratified 5-fold cross validation and the performance results were compared. The average test accuracies of Vgg19, ResNet101 and EfficientNetB3 architectures were 85.02%, 96.96% and 99.27%, respectively. Among 15 different models resulting from 5 cross-validations in each architecture, EfficientNetB3-Model 1 gave the best test accuracy in the study with 99.54%. Moreover, the same model classified images belonging to 3 classes, including ToBRFV, with full accuracy. With the results obtained, it is seen that the EfficientNetB3 architecture can be used reliably and accurately in the classification of different tomato diseases.
Benzer Tezler
- Problem odaklı yenilikçi açıklanabilir ve hibrityapay zeka modellerinin geliştirilmesi
Development of problem-oriented innovative explainable and hybridartificial intelligence models
HANDE YÜKSEL BAYRAM
Doktora
Türkçe
2024
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. BİLAL ALATAŞ
- 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
- 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
- Application of potential disease detection techniques in greenhouses and their impact on sustainability
Seralarda potansiyel hastalık tespit tekniklerinin uygulanması ve sürdürülebilirlik üzerindeki etkileri
AKO KAKARASH OMER
Doktora
İngilizce
2024
ZiraatOndokuz Mayıs ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. YEŞİM BENAL ÖZTEKİN
- Örtü altı domates yetiştiriciliğinde, bazı ekonomik zararlıların yapay zeka ile tespiti
Detection of some economic pests in greenhouse tomato cultivation using artificial intelligence
YAVUZ SELİM ŞAHİN
Doktora
Türkçe
2023
ZiraatBursa Uludağ ÜniversitesiEntomoloji Ana Bilim Dalı
PROF. DR. NİMET SEMA GENÇER
DOÇ. DR. HASAN ŞAHİN