Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması
Classification of plant diseases using transfer learning-based explainable deep learning methods
- Tez No: 883898
- Danışmanlar: DR. ÖĞR. ÜYESİ MURAT KARAKOYUN
- 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: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 65
Özet
Bitki hastalıkları, küresel tarıma ciddi zararlar veren temel sorunlardan biridir. Bu zararları önlemek adına hastalıkların erken teşhisi büyük önem taşımaktadır. Ancak, manuel teşhis süreci hem zorlu hem de zaman alıcıdır. Bu nedenle, bitki hastalıklarının otomatik tespiti için derin öğrenme yöntemleri kullanılmaktadır. Bu çalışmada, PlantVillage veri seti kullanılarak bitki görüntülerinden hastalık sınıflandırılması amacıyla ResNet152, VGG16, EfficientNet-B0, EfficientNet-B1, DenseNet201, GoogLeNet ve Vision Transformers olmak üzere yedi farklı derin öğrenme yöntemi eğitilmiştir. Modellerin performansları karşılaştırılmış ve açıklanabilir yapay zekâ yöntemleriyle karar verme süreçleri incelenmiştir. Bu doğrultuda, modellerin karar mekanizmalarını görselleştiren açıklanabilirlik haritaları oluşturulmuş ve bu haritalar üzerinden modellerin hangi özelliklere dayanarak karar verdikleri analiz edilmiştir. PlantVillage veri seti üzerinde %99,81 doğruluk, %99,74 hassasiyet, %99,74 duyarlılık ve %99,74 f1 skoru ile DenseNet201 en başarılı model olarak öne çıkmıştır. En düşük performansı ise %99,27 doğruluk, %99,13 hassasiyet, %99,10 duyarlılık ve %99,11 f1 skoru ile ViT Large 32 modeli göstermiştir. Farklı modellerin güçlü ve zayıf yönleri değerlendirilerek belirli bir uygulama için en uygun modelin seçilebileceği sonucuna varılmaktadır. Ayrıca derin öğrenme yöntemlerinin gerçek dünyadaki etkinliği ve verimliliği, Kaggle'da 2020 ve 2021 yıllarında düzenlenen Plant Pathology yarışmalarında yer alan, gerçek hayattan alınan elma bitkisi görüntüleri ile test edilmiştir. Laboratuvar ortamında elde edilen görüntüler üzerinde yüksek doğruluk ve güvenilirlikle elde edilen başarılı modellerin, gerçek dünya verileri üzerinde aynı başarıyı gösteremediği ortaya konmuştur. Bu çalışma, veri seti çeşitliliği ve karmaşıklığının model performansı üzerindeki kritik etkisini vurgulamakta ve laboratuvar verileri ile gerçek dünya verileri arasındaki farklılıkların derinlemesine incelenmesi gerektiğini göstermektedir.
Özet (Çeviri)
Plant diseases represent a major challenge to global agriculture, causing significant damage. Early detection of these diseases is crucial to mitigating their impact. However, manual diagnosis is both challenging and time-consuming. As a result, deep learning methods are increasingly being utilized for the automatic detection of plant diseases. In this study, seven different deep learning models—ResNet152, VGG16, EfficientNet-B0, EfficientNet-B1, DenseNet201, GoogLeNet, and Vision Transformers—were trained for the classification of plant diseases using images from the PlantVillage dataset. The performance of these models was compared, and their decision-making processes were analyzed using explainable artificial intelligence (XAI) methods. In this context, explainability maps were generated to visualize the decision mechanisms of the models, and these maps were analyzed to determine the features on which the models based their decisions. Among the models, DenseNet201 achieved the highest performance on the PlantVillage dataset with an accuracy of 99.81%, precision of 99.74%, recall of 99.74%, and f1-score of 99.74%. The ViT Large 32 model, on the other hand, demonstrated the lowest performance with an accuracy of 99.27%, precision of 99.13%, recall of 99.10%, and f1-score of 99.11%. By evaluating the strengths and weaknesses of different models, it is possible to select the most suitable model for a specific application. The real-world effectiveness and efficiency of these deep learning methods were tested using apple plant images from the Plant Pathology competitions held on Kaggle in 2020 and 2021. It was found that models that performed well with high accuracy and reliability in controlled laboratory environments did not achieve the same success with real-world data. This study underscores the critical impact of dataset diversity and complexity on model performance, highlighting the need for an in-depth examination of the differences between laboratory data and real-world data.
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Developing a novel artificial intelligence based method for diagnosing chronic obstructive pulmonary disease
Kronik obstrüktif akciğer hastalığı teşhisi için yapay zeka tabanlı yeni bir yöntem geliştirilmesi
İNANÇ MORAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR
- Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti
Convolutional neural network based retinal disease detection via optical coherence tomography images
İSMAİL KAYADİBİ
Yüksek Lisans
Türkçe
2021
Mühendislik BilimleriAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN
- End-to-end tire defect detection model based on machine and deep learning techniques
Makine ve derin öğrenme tekniklerine dayalı uçtan uca lastik arıza tespit modeli
RADHWAN ALI ABDULGHANI SALEH
Doktora
İngilizce
2024
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR