Fasulye yapraklarında bakteriyel hastalıkların derin öğrenme yöntemleri ile tespiti
Detection of bacterial diseases in bean leaves using deep learning methods
- Tez No: 923231
- Danışmanlar: DOÇ. DR. MURAT KÖKLÜ
- Tez Türü: Doktora
- 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: 145
Özet
Bu tez çalışmasında, fasulye bitkilerinde yaygın olan bakteriyel hastalıkların, derin öğrenme yöntemleri ile sınıflandırılması ve sınırlı veri setleriyle dahi etkili sonuçlar elde edilmesi amaçlanmıştır. Çalışmada Konya bölgesinde yaygın olarak ekilen Akbulut ve Üstün42 fasulye çeşitleri üzerine odaklanılmış ve Xanthomonas axonopodis pv. phaseoli bakterisinin neden olduğu“yaygın bakteriyel yanıklık”hastalığı sınıflandırılmıştır. Veri seti, her iki fasulye çeşidine ait sağlıklı ve hastalıklı görüntülerden oluşan dört sınıf (Akbulut sağlıklı, Akbulut hastalıklı, Üstün42 sağlıklı, Üstün42 hastalıklı) şeklinde oluşturulmuş ve her sınıf için 1000'er görüntü elde edilmiştir. Model seçimi sürecinde tüm sonuçların karar verme yetkinlikleri Score-CAM yöntemi ile görselleştirilmiştir. Sonuçların doğruluk ve model boyutunun dengesi dikkate alınmış ve AlexNet, VGG16 ve VGG19 modelleri tercih edilmiştir. AlexNet, kısa eğitim süresi ve kabul edilebilir doğruluğuyla ön plana çıkarken, VGG16 modeli daha yüksek genelleştirme kapasitesiyle öne çıkmıştır. VGG19 modeli ise diğer modellere göre daha yüksek sınıflandırma doğruluğu üretmiştir. Segmentasyon işlemi için U-Net mimarisi kullanılmış ve 50, 100 ve 200 görüntüden oluşan üç farklı veri kümesi oluşturulmuştur. Segmentasyon sonuçları, özellikle küçük veri setlerinde hızlı öğrenme sağlarken, orta büyüklükteki veri setlerinde daha yüksek genelleştirme kapasitesine ulaşmıştır. 50 görüntü içeren veri setinde model, 150-200 yinelemede zirve yaparken, 100 görüntü içeren veri setinde 250-300 yinelemede ve 200 görüntü içeren veri setinde ise 350-400 yinelemede en iyi performansa ulaşmıştır. IoU değerleri, segmentasyonun model öğrenmesine katkısını açıkça göstermiştir. Segmente edilmiş görüntüler ile sınıflandırma işlemleri, ham görüntülere kıyasla daha yüksek doğruluk oranları sağlamıştır. AlexNet modeli segmente edilmiş 100 görüntü ile %99,13 doğruluk elde ederken, VGG19 modeli %98,33 doğruluğa ulaşmıştır. VGG16 modeli ise küçük veri setlerinde %93,33 doğrulukla etkili sonuçlar üretmiş ve daha büyük veri setlerinde istikrarlı bir performans sergilemiştir. Tüm modellerde segmentasyon, sınıflandırma performansını artırmış ve özellikle küçük veri setlerinde yüksek başarı elde edilmesini sağlamıştır. Ham görüntülerle yapılan sınıflandırmalarda, genel doğruluk oranlarının segmente edilmiş görüntülere kıyasla daha düşük olduğu gözlemlenmiştir. AlexNet, ham görüntülerle %84-85 doğruluk aralığında kalırken, VGG16 modeli %89'a yakın doğruluk elde etmiştir. K-means renk kümeleme yöntemi ile ham görüntüler işlenmiş ve hastalıklı bölgeler vurgulanmıştır. Bu işlem sonrasında sınıflandırma doğruluk oranlarında artış gözlenmiş ve AlexNet modeli %86-89 doğruluk seviyesine ulaşmıştır. Hibrit modellerin kullanımında, AlexNet, VGG16 ve VGG19 modelleri LSTM ve BiLSTM ile entegre edilmiştir. Bu hibrit modeller, segmente edilmiş görüntülerde en yüksek doğruluk oranlarına ulaşmıştır. Özellikle BiLSTM entegrasyonu ile AlexNet modeli %96,5, VGG16 modeli %96,8 ve VGG19 modeli %97,2 doğruluk oranına ulaşmıştır. Bu sonuçlar, çift yönlü veri işleme yeteneklerinin sınıflandırma performansına olan katkısını göstermektedir. Bu çalışma, derin öğrenme modellerinin tarımsal hastalık tespiti için uygulanabilirliğini göstermiştir. Segmentasyon işlemleri ve hibrit modeller, sınıflandırma performansını belirgin şekilde artırmış ve sınırlı veri setleriyle etkili sonuçlar elde edilmiştir. Çalışma, özellikle tarımsal görüntü analizi ve derin öğrenme yöntemlerinin entegrasyonu alanında önemli bir katkı sunmaktadır.
Özet (Çeviri)
This thesis focuses on classifying bacterial diseases common in bean plants using deep learning methods, aiming to achieve effective results even with limited datasets. The study centers on two bean varieties widely cultivated in the Konya region, Akbulut and Üstün42, and classifies the disease“common bacterial blight”caused by the bacterium Xanthomonas axonopodis pv. phaseoli. The dataset consists of four classes (healthy Akbulut, diseased Akbulut, healthy Üstün42, diseased Üstün42), with 1,000 images per class. In the model selection process, the decision-making capabilities of all results were visualized using the Score-CAM method. The balance between accuracy and model size was considered, and AlexNet, VGG16, and VGG19 models were selected. AlexNet stood out for its short training time and acceptable accuracy, while the VGG16 model exhibited higher generalization capacity. The VGG19 model achieved the highest classification accuracy among the models. For segmentation, the U-Net architecture was employed, and three different datasets containing 50, 100, and 200 images were created. Segmentation results showed rapid learning on small datasets and improved generalization capacity on medium-sized datasets. The model peaked at 150-200 iterations for the 50-image dataset, 250-300 iterations for the 100-image dataset, and 350-400 iterations for the 200-image dataset. IoU values clearly demonstrated the contribution of segmentation to model learning. Classification tasks performed with segmented images yielded higher accuracy rates compared to raw images. The AlexNet model achieved 99.13% accuracy with 100 segmented images, while the VGG19 model achieved 98.33% accuracy. The VGG16 model produced effective results with 93.33% accuracy on small datasets and exhibited consistent performance on larger datasets. Segmentation improved classification performance across all models, particularly for small datasets. In classifications performed with raw images, overall accuracy rates were observed to be lower than those obtained with segmented images. AlexNet achieved an accuracy range of 84-85% with raw images, while the VGG16 model achieved approximately 89% accuracy. K-means color clustering was applied to raw images to highlight diseased regions. This preprocessing step resulted in increased classification accuracy, with the AlexNet model achieving an accuracy range of 86-89%. In hybrid models, AlexNet, VGG16, and VGG19 were integrated with LSTM and BiLSTM. These hybrid models achieved the highest accuracy rates on segmented images. Notably, the AlexNet model reached 96.5%, the VGG16 model 96.8%, and the VGG19 model 97.2% accuracy with BiLSTM integration. These results highlight the contribution of bidirectional data processing capabilities to classification performance. This study demonstrates the applicability of deep learning models for agricultural disease detection. Segmentation processes and hybrid models significantly enhanced classification performance, achieving effective results even with limited datasets. The study provides a substantial contribution, particularly in the integration of agricultural image analysis with deep learning methodologies.
Benzer Tezler
- Hatay ili fasulye ekim alanlarında karşılaşılan fungal ve bakteriyel hastalık etmenlerinin belirlenmesi
Determination of fungal and bacterial disease agents of bean plants growing in hatay province
ÇİĞDEM VURAL
Yüksek Lisans
Türkçe
2008
ZiraatMustafa Kemal ÜniversitesiBitki Koruma Ana Bilim Dalı
DOÇ. DR. SONER SOYLU
- Farklı fasulye çeşitlerinin hale yanıklığı etmeni Pseudomonas syringae pv. phaseolicola'nın çeşitli ırklarına karşı tepkileri ve dayanıklı çeşitlerdeki dayanıklılık mekanizmalarının belirlenmesi
Response of different bean cultivars against different races of Pseudomonas syringae pv. phaseolicola (burkh. ) dows. causal agent of halo blight and determination of resistance mechanism on resistant bean cultivars
İMAM ADEM BOZKURT
Yüksek Lisans
Türkçe
2002
ZiraatMustafa Kemal ÜniversitesiBitki Koruma Ana Bilim Dalı
Y.DOÇ.DR. SONER SOYLU
- Soğuğa dirençli bitkilerin yaprak apoplastından izole edilen bakterilerin fasulyede (Phaseolus vulgaris L.) soğuk stresi toleransı üzerine etkileri
The effects of bacteria isolated from the leaf apoplast of cold-resistant plants on the cold stress tolerance of bean (Phaseolus vulgaris L.)
DENİZ TİRYAKİ
- Fasulyede GPAT gen ailesinin karakterizasyonu ve kuraklık stresi altında PvGPAT1 geninin transgenik yaklaşımla fonksiyonunun belirlenmesi
Characterization of the GPAT gene family in bean and determination of the function of the PvGPAT1 gene under drought stress with a transgenic approach
AYŞE GÜL KASAPOĞLU
Doktora
Türkçe
2024
BiyolojiErzurum Teknik ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DOÇ. DR. EMRE İLHAN