Üzüm yapraklarındakı hastalıkların teşhisi ve üzüm türlerinin sınıflandırılması için derin öğrenme modellerinin uygulanması
Utilization of deep learning models for diagnosis of diseases and classification of grape varieties in grape leaves
- Tez No: 890001
- Danışmanlar: DR. ÖĞR. ÜYESİ İSHAK PAÇAL
- 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: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Bitki hastalıkları tarımsal üretkenliğe ciddi bir tehdit oluşturur ve önemli kayıplara neden olabilir. Bu kayıpları azaltmak için etkili tespit ve sınıflandırma yöntemleri gereklidir. Geleneksel manuel yaklaşımlar, uzman bilgisine dayanır ve genellikle önyargıları içerir. Ancak, bilgi işlem ve görüntü işleme alanındaki ilerlemeler, teknolojiyi bitki hastalıklarını yönetmede uzman olmayanlara yardımcı olmak için kullanma fırsatı sunar. Özellikle, dijital görüntülere dayalı bitki sağlığını değerlendirmek ve sınıflandırmak için derin öğrenme teknikleri umut verici sonuçlar göstermiştir. Bu çalışma, dijital görüntüler kullanarak üzüm yapraklarını ve hastalıklarını tespit etmek ve teşhis etmek için önceden eğitilmiş en son teknolojiye sahip evrişimli sinir ağı (CNN) modelleri ve görüntü dönüştürücü modellerini ayarlamaya odaklanmaktadır. İki veri kümesi kullanılmıştır: Dört sınıf üzüm hastalığı içeren PlantVillage ve beş sınıf yaprak tanımlama içeren Grapevine. PlantVillage veri kümesi, dört kategoride toplam 4.062 yaprak görüntüsünü içerirken, Grapevine veri kümesi beş farklı gruba ayrılmış toplam 500 yaprak görüntüsünü içerir. Altı CNN mimarisine dayanan 14 model ve beş görüntü dönüştürücü mimarisine dayanan 17 modelin deneysel sonuçları, derin öğrenme tekniklerinin üzüm hastalıklarını doğru bir şekilde ayırt etme ve üzüm yapraklarını tanıma konusundaki etkinliğini sergiledi. Özellikle, dört CNN modeli ve dört görüntü dönüştürücü modeli PlantVillage veri kümesinde %100 doğruluk elde ederken, bir CNN modeli ve bir görüntü dönüştürücü modeli Grapevine veri kümesinde %100 doğruluk elde etti. Bu derin öğrenme tabanlı yaklaşım, bitki hastalıklarının erken teşhisi yoluyla tarım verimliliğini artırma potansiyeline sahiptir ve farklı üzüm çeşitlerinin karakterize edilmesine dair değerli bilgiler sunarak tarım sektörü için umut verici bir yol açar.
Özet (Çeviri)
Plant diseases pose a significant challenge to agricultural productivity, leading to substantial losses. Effective detection and classification methods are essential to mitigate these losses. Traditional manual approaches, reliant on expert knowledge, often introduce biases. However, advancements in computing and image processing present opportunities to leverage technology in assisting non-experts in managing plant diseases. Deep learning techniques, in particular, have shown promising results in assessing and classifying plant health based on digital images. This study focuses on fine-tuning state-of-the-art pre-trained convolutional neural network (CNN) models and vision transformer models for detecting and diagnosing grape leaves and diseases using digital images. Two datasets were employed: PlantVillage, which includes four classes of grape diseases (Black Rot, Leaf Blight, Healthy, and Esca leaves), and Grapevine, containing five classes for leaf recognition (Ak, Alaidris, Buzgulu, Dimnit, and Nazli). The PlantVillage dataset comprises 4,062 leaf images across four categories, while the Grapevine dataset consists of 500 leaf images categorized into five distinct groups. Experimental results from 14 models based on six CNN architectures and 17 models based on five vision transformer architectures showcased the effectiveness of deep learning techniques in accurately distinguishing between grape diseases and recognizing grape leaves. Notably, four CNN models and four vision transformer models achieved 100% accuracy on the PlantVillage dataset, while one CNN model and one vision transformer model achieved 100% accuracy on the Grapevine dataset. This deep learning-based approach has the potential to enhance crop productivity through early disease detection and offers valuable insights into characterizing different grape varieties, providing a promising avenue for the agricultural sector.
Benzer Tezler
- Derin öğrenme yöntemleri ile asma yaprak hastalıklarının sınıflandırılması
Classification of vine leaf diseases using deep learning methods
YASİN ÜNAL
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
PROF. DR. MEHMET KARA
- 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
- Çanakkale ili bağ alanlarında grapevine fanleaf virus'un tespiti ve moleküler karakterizasyonu
Detection and molecular characterization of grapevine fanleaf virus in vineyard gardens of Çanakkale province
AYŞENUR ŞİRİN
Yüksek Lisans
Türkçe
2023
ZiraatÇanakkale Onsekiz Mart ÜniversitesiBitki Koruma Ana Bilim Dalı
PROF. DR. SAVAŞ KORKMAZ
- Isparta yöresinde yetiştirilen bazı asma çeşitlerinin yaprak fenolik bileşiklerinin belirlenmesi
Determination of phenolic compounds in leaves of some grapevines grown in Isparta provience
AYŞE AYCAN URCAN
Yüksek Lisans
Türkçe
2019
ZiraatIsparta Uygulamalı Bilimler ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİLİZ HALLAÇ TÜRK
- Termoterapi ve meristem kültürü yöntemleriyle virussuz asma materyali elde edilmesi üzerinde araştırmalar
Başlık çevirisi yok
Y.ZİYA GÜRSOY