Modül bazlı iyileştirilmiş derin öğrenme modelleriyle bitkilerde hastalıkların teşhisi
Diagnosis of diseases in plants with module-based improved deep learning models
- Tez No: 923042
- Danışmanlar: PROF. DR. ŞAKİR TAŞDEMİR
- 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: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
İnsanların beslenme ihtiyaçlarının karşılanmasının yanında, ülkelerin ekonomik olarak gelişmesinde de temel bir yere sahip olan tarım sektörü, 2050 yılında 10 milyara ulaşacağı tahmin edilen dünya nüfusu için oldukça büyük bir öneme sahiptir. Ancak, bu sektörde görülen hastalıklar ve zararlı böcekler verimi ve ürün kalitesini düşürmekte, gıda üretimine büyük zararlar vermektedir. Buna ek olarak, hastalıkların yanlış veya geç teşhis edilmesi, uygulanan hatalı tedavilerin ve tarım ilaçlarının çevreye zarar vererek verimi daha da düşürmesi gibi sorunlar da yaşanmaktadır. Gıda ihtiyacının karşılanması ve gıda güvenliğinin sağlanması için, bu sorunlara çözüm üreten çeşitli yeniliklere ihtiyaç duyulmaktadır. Günümüzde, gelişen teknolojinin sunduğu çeşitli imkanlar bu doğrultuda kullanılmaktadır. Bu çalışmada, popüler bir alan olan derin öğrenme kullanılarak çeşitli bitkilerdeki hastalıkların tespiti amaçlanmıştır. Yaygın olarak kullanılan Evrişimli Sinir Ağları (ESA) modellerine Evrişimli Blok Dikkat Modülü (EBDM-CBAM) eklenerek model performansları incelenmiştir. Kaju Manyok Mısır Domates (KMMD-CCMT) veri seti kullanılarak gerçekleştirilen çalışmada, standart modeller arasında en başarılı model, %91.48 doğruluk, %92.32 kesinlik, %92.26 duyarlılık, %92.15 F1-skoru, %91.76 Cohen's Kappa ve %99.58 AUC değerleri ile Xception modeli olmuştur. Öte yandan, CBAM ile iyileştirilmiş modeller arasında en başarılı modelin, DenseNet121 modeli olduğu gözlemlenmiştir. CBAM ile iyileştirilmiş DenseNet121 modeli ile %93.25 doğruluk, %92.41 kesinlik, %92.07 F1-skoru, %92.25 duyarlılık, %91.75 Cohen's Kappa ve %99.65 AUC değerleri elde edilmiştir. Bu sonuçlar, CBAM ile iyileştirilmiş DenseNet121 modelinin, diğer modellere göre daha başarılı olduğunu ve modellerde kullanılan dikkat modülünün model performansına olumlu yönde etki ettiğini göstermektedir.
Özet (Çeviri)
The agricultural sector, which plays a crucial role in the economic development of countries as well as meeting the nutritional needs of humanity, is important for the world population, which is estimated to reach ten billion in 2050. However, diseases and pests seen in this sector reduce yield and product quality and cause severe damage to food production. Furthermore, incorrect, or late diagnosis of diseases, faulty treatments and pesticides that harm the environment further decrease the yield. Various innovations are needed to meet the demand for food, ensure food safety and provide solutions to these problems. Today, various techniques are used in this direction which are offered by developing technology. In this study, the detection of diseases in various plants was aimed with using deep learning which is a popular field. A method named Convolutional Block Attention Module (CBAM) was integrated into popular Convolutional Neural Network (CNN) models and its effect on model performance was inspected. In the study conducted using the Cashew Cassava Maize Tomato (CCMT) dataset, the most successful model among the standard models was the Xception model with 91.48% accuracy, 92.32% precision, 92.26% recall, 92.15% F1-Score, 91.76% Cohen's Kappa, and 99.58% AUC values. On the other hand, it was observed that the CBAM enhanced DenseNet121 model was the most successful model among the enhanced. The CBAM-enhanced DenseNet121 model achieved 93.25% accuracy, 92.41% precision, 92.25% recall, 92.07% F1-Score, 91.75% Cohen's Kappa, and 99.65% AUC. These results indicate that the CBAM-enhanced DenseNet121 model is more successful than the other models and that the attention module used in the models has a positive effect on the model performance.
Benzer Tezler
- New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Video üzerinde derin öğrenme ile nesne sansürlüme
Sensor processing on video with deep learni̇ng
YERNIYAZ BAKHYTOV
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL ÖZ
- Akciğerin X-ray görüntülerinden derin öğrenme ile pnömoni tespiti
Detection of pneumonia wıth deep learning from X-ray images of lung
BUĞRA HATİPOĞLU
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İRFAN KARAGÖZ
DOÇ. DR. MİKAİL İNAL
- Uçtan uca derin öğrenme yaklaşımlarıyla Türkçe eşgönderge çözümlemesi
Neural end to end Turkish coreference resolution
TUĞBA PAMAY ARSLAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLŞEN ERYİĞİT