Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
- Tez No: 892941
- Danışmanlar: Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 136
Özet
Bitki hastalıklarının doğru ve zamanında tespitinin önemi özellikle son yıllarda giderek artmaktadır. Mantar ve bakteri gibi patojenik organizmalar, bitki kaybıyla sonuçlanan bu hastalıklara neden olmaktadır. Ayrıca besin eksikliği ve hava kirliliği gibi abiyotik etmenler de organizma gelişimine katkıda bulunabilmektedir. Bu belirtiler hemen teşhis ve tedavi edilirse gıda tedarik miktarını ve kalitesini etkileyen mahsul kaybı büyük bir oranda önlenebilir. Yılın doğru zamanında ekim yapmamak, kötü arazi yönetimi ve doğal yaşam alanlarının zarar görmesi gibi çevresel sorunları şiddetlendiren bitki hastalıkları, doğal ekosistemi tahrip etme potansiyeli vardır. Enfeksiyonun erken teşhisi, tozlaşma düzeyini ve bozuklukların ortaya çıkmasındaki kimyasal riski yönetmeye yardımcı olabilir; aksi takdirde kimyasallar birkaç günlük enfeksiyondan sonra patojene karşı etkisiz hale gelecektir. Bitki hastalığı teşhisine ilişkin mevcut bilimsel anlayış, bitki yapraklarındaki enfeksiyonları açıklamak için harika bir potansiyele sahiptir. Bilimsel araştırmalar, yapay zeka yöntemleri kullanarak insan etkileşiminden bağımsız biçimde bitki yapraklarındaki bozuklukların otomatik bir görsel tanısını kurmaya odaklanmıştır. Akademisyenler bitkilerdeki hastalık semptomlarının teşhisine yönelik kapsamlı bir model oluşturmak için destek vektör makineleri, görüntülerin hiperspektral verileri ve evrişimli sinir ağları gibi pek çok makine ve derin öğrenme tekniği kullamıştır. Bu edebi eserlerin incelenmesi; özniteliklerin seçilmesi, ince ayar parametreleri ve mevcut çalışmanın verimliliğini zorlaştırabilecek sinir ağlarının yapısı gibi giderek artan eksikliklere ışık tutmaktadır. Dolayısıyla daha etkili yöntemler kullanmamız ve modelin performansını artırarak mevcut açığı kapatmamız için bize ilham verir. Sinir ağları ve evrimsel optimizasyon da dahil olmak üzere çeşitli yaklaşımların kullanıldığı bu tezde, bitki yaprak hastalıklarının teşhisi için sistematik bir model önerilmektedir. Tezin amacı, görsellerin daha az yeterli bir düzeyde çıkarılmış özniteliklerini seçerek ve belirli niteliklere bağlı olarak en uygun doğruluk oranını belirleyip verimliliği artırmaktır. Sinir ağları uygulanmadan önce hata oranı düşürülüp artımlı test sonuçları gözlenerek dikkatle seçilmiş öznitelikler, ön işleme aşaması olarak kullanılır. Işığın, yansımaların, açıların ve çevresel koşulların sınırlamalarına rağmen bu öznitelikler modelin verimliliğini ve doğruluk oranını artırmak için bazı ayarlamalarla evrimsel optimizasyona geçirilir. Çalışmamızda, çeşitli bitki hastalıklarının görüntülerini içeren, mahsul sağlığı bilgisinin en kapsamlı açık erişim veri havuzu 'Plant Village' kullanılmıştır. Yedi kategori kullanılmıştır: elma, mısır, üzüm, şeftali, biber, patates ve çilek; toplamda 20.000 yapraklarda çeşitli bitki hastalık şiddeti aralıkları. Bu tez, birden fazla araştırma makalesinin yayınlanmasına ön ayak olmuştur.“Derin Sinir Ağları ile Bitki Yaprağı Hastalıklarının Teşhisi için Evrimsel Öznitelik Optimizasyonu”(Evolutionary Feature Optimization for Plant Leaf Disease Detection by Deep Neural Networks) başlıklı ilk araştırmada öznitelik çıkarımı, optimizasyon ve sınıflandırma kullanarak elma yaprağı hastalıklarını tespiti için bir modeli açıklıyoruz; öznitelik çıkarımı için SURF (Speeded-up Robust Features) tekniği kullanılmıştır ve bu yöntem, SIFT (Scale Invariant Feature Transform) ile karşılaştırılabilir ancak daha az sayısal hesaplama gerektirir. SURF, kilit noktaların görüntüsünü tanır ve Hessian matrisi tabanlı tanımlayıcılar üretir. Öznitelik çıkarımı ardından çekirge optimizasyon algoritması (GOA) ve tam bağlı bir YSA kullanılmıştır; sonuçlar gelişmiş doğruluk oranları göstermiştir. Son olarak karşılaştırmalı analiz, önerilen yöntemin sınıflandırma doğruluk oranlarını yaklaşık \%4,3 gibi önemli ölçüde iyileştirdiğini ortaya koymuştur.“Bitki Yaprağı Hastalıklarının Otomatik Teşhisi için Evrişimli Sinir Ağı Mimarileriyle K-ortalamalar Kümeleme Analizi”başlıklı ikinci araştırma makalesinde, 4 farklı evrişimli sinir ağı mimarisi kullanarak 7 farklı bitki yaprağı kategorisini tahmin etmek üzere bir model geliştirdik. Çeşitli CNN mimarileri arasındaki farkları değerlendirmek ve analiz etmek için belirtilen CNN mimarileri kullanılmıştır: AlexNet, GoogLeNet, ResNetve Inception. Sırasıyla \%94,5, \%95,4 \%95,5 ve \%92,7 sınıflandırma doğruluk oranları gözlemledik.“YSA ve VDM Metodları Kullanılarak Çoklu Akıllı Sistemlerin Birleştirilmiş ve Modifiye Edilmiş Evrimsel Optimizasyonu”(Fused and Modified Evolutionary Optimization of Multiple Intelligent Systems using ANN, SVM approaches) başlıklı üçüncü araştırma makalesinde genel doğruluk oranını geliştirmek için daha yüksek doğruluk oranları elde etmeye yönelik bir azaltma adımı olarak çıkarılan özniteliklere benzerlik ölçüleri kullanarak, bir öznitelik azaltıma adımıyla ilk metodu uyguladık. Model, \%99,4 doğruluk oranı ile 7 farklı bitki yaprağı kategorisinin hastalık teşhisinde yeterli ve başarılı olmuştur.“Evrimsel Optimizasyon ve Derin Sinir Ağları Kullanarak Bitki Sağlığı için Hibrit Akıllı Teknoloji”(Hybrid Smart Technology for Plant Health Using Evolutionary Optimization and Deep Neural Networks) başlıklı dördüncü makalede evrişimli sinir ağlarının ve özniteliği optimize edilmiş evrimsel sinir ağlarının bir birleşimi kullanılarak bitki yaprağı hastalıklarının bir tanı modeli geliştirilmiştir. Füzyon stratejileri ile optimizasyonda çok sayıda modifikasyon yapılması, diğer yöntemlere kıyasla yüksek doğruluk oranlarıyla sonuçlanmaktadır. Bu modifikasyonun bir sonucu olarak yöntem, anlamlı ve yüksek sınıflandırma oranlarına ulaşabilmiştir. Tez boyunca yapılan deneyler, önerilen modellerin verimlilik ve etkinlik açısından doğru olduğunu göstermiştir. Bu bölümdeki bulgulara göre evrimsel optimizasyon yoluyla elde edilen sonuçlar, alandaki diğer son çalışmalardan daha kesindir. İleri bir optimizasyon yapılmadan, YSA ve SURF birleştirilerek elde edilen sonuçlar, optimizasyon ile elde edilen sonuçlara göre daha düşük sınıflandırma doğruluk oranlarına sahip olmuştur. Ayrıca bazı özniteliklerin kaldırılması, daha yüksek doğruluk oranlarına ulaşılmasına yardımcı olmuştur. Çalışmayı kanıtlamak için deneysel araştırmalar yapılmış ve makale olarak yayınlanan, önerilen metodolojilerle tezin özgünlüğü ortaya konulmuştur. Bu teze katkılarımız şunlardır: Evrimsel optimizasyon ve yapay sinir ağları kullanarak Bitki yaprak hastalık tespitinin doğruluk oranını artırmak. Sonuçları farklı ilgili araştırmalarla karşılaştırın. Sonuç olarak, gösterdi daha iyi doğruluk sonuçları. İlk katkı performansını değerlendirmek için CNN modelleri oluşturun. İlk bölümden elde edilen sonuçlar daha iyi sonuçlar gösterdi. İşlem süresini azaltmak ve verimliliği artırmak için öznitelik çıkarma işleminden gözlemlenen çıkarılan özniteliklerin azaltılması. CNN'nin füzyonu ve GOA optimizasyonunun ince ayarının optimal sonuçlar elde etmek için yapılması, optimizasyon parametrelerinin modifikasyonunun performans üzerinde yüksek bir etkisi olduğunu göstermiştir. Bu tezin organizasyon yapısı aşağıdadır: ilk bölüm, bitki hastalıklarına girişin yanı sıra kısa bir tarihsel genel bakışa ayrılmıştır. Bitki yaprağı hastalıkları ve bitki hastalık tespiti ve sınıflandırma teknikleri için diğer ilgili çalışmalar hakkında bilgi ile birlikte bitki yaprağına genel bir bakış sağlanmaktadır. Bu tezin motivasyonuna temel teşkil eden çeşitli literatür incelemeleri sunulmaktadır. Ayrıca problemin bir tanımını, araştırmanın amaçlarını ve tez yapısını da içerir. Bu çalışmada kullanılan materyal ve veriler açıklanmıştır. Görüntü işleme, görüntü özellik çıkarımı, görüntü optimizasyonu ve sinir ağları ile ilgili arka plan bilgileri ikinci bölümde gösterilmektedir. Üçüncü Bölüm, derin sinir ağlarının kullanımı yoluyla bitki hastalık tespitinde evrimsel özellik optimizasyonunun uygulamasını tartışır; önerilen çalışma açıklanır ve değerlendirilir. Dördüncü Bölüm, evrişimli sinir ağı mimarileri ile K-araç kümelemesinin kullanımını analiz eder; önerilen çalışma açıklanır ve değerlendirilir. Yapay sinir ağları ve destek vektör makineleri metodolojileri kullanılarak yapılan evrimsel özellik optimizasyonu ve sınıflandırmasından elde edilen özniteliklerin birleştirilmesi. Beşinci Bölüm'de ayrıntılı olarak tartışılmaktadır. Altıncı bölüm, yapay sinir ağları ve evrişimli sinir ağı metodolojilerini kullanan evrimsel özellik optimizasyonunun kaynaşmasını vurgulamaktadır. Daha sonra dağıtık veri tabanları için önerilen veri tahsis tekniği açıklanmış ve değerlendirilmiştir. Son bölüm ise sonuç ve gelecek araştırmalar için önerilerden oluşmaktadır. Gelecekteki araştırmalar, bu yöntemleri çeşitli alanlardan diğer görüntü türleri de dahil olmak üzere çeşitli diğer uygulamalara uygulamaya ve değerlendirmeye odaklanmalıdır. Araştırmacılar, özellik çıkarma, optimizasyon şemaları ve sınıflandırmayı içeren bir yaklaşımı uygulayabilirler. Çalışmaya göre, ince ayar evrimsel özellik optimizasyonu, bulgulara önemli ölçüde katkıda bulundu. Bununla birlikte, uygulanan parametrelerin diğer alanlara uygulandığında önemli bir performans kazancı ile sonuçlanacağı garanti edilmez ve bu nedenle her sorun için özelleştirilmesi gerekir. Füzyon modellerini çeşitli hava koşullarında çekilen diğer görüntülerde inceleyerek ve tahmin ederek incelemek ve raporlamak mümkündür. Önceki bilgilerin dengeli bir değerlendirmesi, yöntemlerin hesaplama süresini ve enerji tüketimini önemli ölçüde azaltırken doğruluk oranlarını iyileştirebileceğini gösterir.
Özet (Çeviri)
In recent years, the importance of accurate and timely plant disease detection has increased significantly. Pathogenic organisms such as fungus and bacteria cause these illnesses, which result in plant loss. In addition, abiotic factors such as nutrient deficiency and air pollution can contribute to their development. If these symptoms are recognized and treated promptly, a significant percentage of crop loss that impacts the quantity and quality of the food supply can be avoided. Plant diseases have the potential to devastate natural ecosystems, compounding environmental issues such as habitat loss and poor land management, such as planting at the right time of the year. Early detection of infection can aid in managing the level of fertilization and the risk of chemicals at the occurrence of disorders; otherwise, the chemicals will become ineffective against the pathogen after a few days of infection. Current scientific understanding of plant disease diagnosis has tremendous potential for disclosing the infections of plant leaves. Scientific research focused on building an automatic visual diagnosis of plant leaf disorders independently without human interaction using artificial intelligence methods. Scholars used many machine and deep learning techniques to provide a comprehensive model for diagnosing disease symptoms in plants, such as support vector machines, hyperspectral data of images, and convolutional neural networks. The examination of these literary works sheds light on the growing shortcomings such as selecting features, fine-tuning parameters, and the structure of neural networks that might obstruct the efficiency of current work. It thus inspires us to employ more effective methods and close the existing gap by increasing the model's performance. A systematic model for diagnosing plant leaf disease is proposed in this thesis, which employs a variety of approaches, including neural networks and evolutionary optimization. The purpose is to improve efficiency by selecting less adequately extracted image features and determining the optimal accuracy rate based on specific attributes. Before applying the neural networks, the carefully selected features are used as the preprocessing stage, lowering the error rate and observing incremental test outcomes. Despite the limitations of light, reflections, angles, and environmental conditions, these features are passed to an evolutionary optimization with some adjustments to increase the model's efficiency and accuracy rate. The Plant Village, the most comprehensive open-access repository of crop health knowledge was used in our study, containing images of various plant diseases. We used seven categories: apples, corn, grapes, peach, pepper, potato, and strawberries, as a total of 20,000 various ranges of plant disease severity in leaves. This thesis led to the publication of multiple research articles. We demonstrate a model for detecting apple leaf diseases using feature extraction, optimization, and classification in the first research article, titled“Evolutionary Feature Optimization for Plant Leaf Disease Detection by Deep Neural Networks”, speeded-up robust features (SURF) are used to extract features, this method comparable to the scale-invariant feature transform (SIFT) but require fewer numerical computations. SURF recognizes the image of the key points and generates descriptors based on the Hessian matrix. Following feature extraction, the grasshopper optimization algorithm (GOA) and a fully connected ANN are used; the results showed improved accuracy rates. Lastly, comparative analysis revealed that the proposed method significantly improved the classification accuracy rates by about 4.3\%. In the second research article, titled“Analysis of K-means clustering with Convolutional Neural Network Architectures for Automatic Plant Leaf Disease Recognition”, we developed a model to predict seven distinct categories of plant leaves using four different convolutional neural network architectures. The following CNN architectures were used to assess and analyze the differences between several CNN architectures: AlexNet, GoogLeNet, ResNet, and Inception. We observed 94.5\%, 95.4\%, 95.5\%, and 92.7\% classification accuracy rates, respectively. In the third research article, titled“Fused and Modified Evolutionary Optimization of Multiple Intelligent Systems using ANN, SVM approaches”, we applied the previous first method with the addition of a feature reduction step using similarity measures to the extracted features as a reduction step toward achieving higher accuracy rates in order to improve the overall accuracy rate. The model was found to be sufficient and successfully diagnosed diseases in seven different categories of plant leaves with a 99.4\% accuracy rate. A diagnosis model of plant leaf diseases was developed in the fourth article, titled“Hybrid Smart Technology for Plant Health Using Evolutionary Optimization and Deep Neural Networks”, using a fusion of convolutional neural networks and evolutionary feature-optimized neural networks. Making numerous modifications to the optimization with fusion strategies results in high accuracy rates compared to other methods. The method was able to achieve meaningful and high classification rates as a result of this modification. Experiments conducted throughout the thesis demonstrated that the proposed models are accurate in terms of efficiency and effectiveness. According to the findings of this section, the results obtained through evolutionary optimization are more precise than those obtained through other recent studies in the field. The results obtained by combining ANN and SURF without further optimization had lower classification accuracy rates than the results obtained with optimization. Furthermore, removing some features aids in achieving higher rates of accuracy. The research experiments were carried out to prove the study, and the novelty of the thesis was demonstrated through the proposed methodologies, which were published as articles.
Benzer Tezler
- Destek vektör regresyonu ile PID kontrolör tasarımı
Design of PID controller via support vector regression
KEMAL UÇAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE
- Geliştirilmiş SPEA2 ile envanter probleminin çözümü
Inventory optimization with a novel SPEA2 algorithm
ALİ BAYRAKDAR
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ILHAM HUSEYINOV
- İç mekan konum belirleme sistemlerinde konum kestirim doğruluğunun yükseltilmesi
Improvement of the location estimation accuracy in indoor localization systems
EMRE DORUK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN KAAN EROL
DOÇ. DR. TANER ARSAN
- GR6J hidrolojik modelindeki artık yağış ayrıştırma sabitinin model kalibrasyonuna etkisi
Effect of residual rainfall separation constant on model calibration in the GR6J hydrological model
HALİL İBRAHİM DEMİR
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET CÜNEYD DEMİREL
- Sürdürülebilir toplu konut yerleşmesi tasarımı için Pareto genetik algoritmaya dayalı bir model önerisi: SSPM
A model for sustainable site layout design with pareto genetic algorithm: SSPM
YAZGI AKSOY