A hybrid model for plant disease detection based on deep learning
Derin öğrenmeye dayalı bitki hastalıkları tespiti için hibrit bir model
- Tez No: 942193
- Danışmanlar: DOÇ. DR. TOLGA AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Amaç: Son yıllarda, bitki hastalıklarını erken tespit etmek ve tarım ürünlerinin kalitesini artırmak için makine öğrenimi tekniklerini kullanmaya olan ilgi artmıştır. Çiftçilerin makine öğrenimi tekniklerinden memnuniyetini değerlendirmeye yönelik artan bir ihtiyaç vardır. PlantVillage veri seti, bitki hastalıklarını tanımlamak için bir araç olarak seçilmiştir. Yöntem: Bitki hastalıklarının sınıflandırılması amacıyla Plant Village veri seti kullanılmıştır. Sınıflandırma için ResNet50, VGG16, VGG19, MobileNet, DenseNet121, InceptionV3, ConvNext gibi çeşitli derin öğrenme tabanlı evrişimli sinir ağı modelleri kullanılmıştır. Bu modeller, ImageNet veri kümesi üzerinde önceden eğitilmiş ağırlıklarla başlatılmış ve PlantVillage veri seti üzerinde transfer öğrenme yöntemiyle yeniden eğitilmiştir. Sonrasında, CNN tabanlı özellik çıkarımı sonrasında elde edilen öznitelikler kullanılarak SVM, KNN, Random forest, Logistic regression, Decision tree gibi klasik makine öğrenmesi sınıflandırıcıları eğitilerek hibrit modeller geliştirilmiştir. Bulgular: İnce ayar yapılmamış en iyi model MobileNet modellerinin metrikleri %97,70 doğruluk, %97,50 kesinlik ve %97,30 geri çağırma, %97,40 F1 puanı ve %99,98 Roc-AUC' dir. Bu sonuçlar modelin yedi modelden daha iyi performans gösterdiği anlamına gelir. Önerdiğimiz hibrit model metrikleri: Doğruluk: %98,46, Kesinlik, geri çağırma ve F1 puanı: %98, Roc-Auc puanı %99,97'dir. Sonuç: Önerilen hibrit model üstün doğruluk sağladı ve ayrıca tarımsal izleme için iyi donanımlı, birden fazla bitki hastalığının etkili bir şekilde tespit edildiğini gösterdi. Bu çalışma, gelecekte tarımsal hastalıkların izlenmesi için çok umut verici bir yol açıyor.
Özet (Çeviri)
Purpose: In recent years, interest in using machine learning techniques to detect plant diseases early and improve the quality of agricultural products has grown. There is a growing need to assess farmers' satisfaction with machine learning techniques. The PlantVillage dataset was chosen as a tool for identifying plant diseases. Method: PlantVillage dataset was used for the classification of plant diseases. Various deep learning based convolutional neural network models, such as ResNet50, VGG16, VGG19, MobileNet, DenseNet121, InceptionV3 and ConvNeXt, were used for classification. These models were initialized with pre-trained weights on ImageNet dataset and retrained on PlantVillage dataset using the transfer learning method. Then, hybrid models were developed by training classical machine learning classifiers such as SVM, KNN, Random Forest, Logistic Regression, and Decision Tree using the features obtained after CNN-based feature extraction. Findings: The best model that was not fine-tuned is the MobileNet model, with metrics of accuracy of 97.70%, precision of 97.50%, recall of 97.30 %, an F1 score of 97.40%, and ROC-AUC score of 99.98%. These results mean that the model outperformed the seven models. Our proposed hybrid model metrics are: Accuracy: 98.46%; Precision, recall, and F1 score: 98%; ROC-AUC score is 99.97%. Results: This hybrid model delivered superior accuracy and effectively detected multiple plant diseases, making it well-equipped for agricultural monitoring. This study opens a promising avenue for monitoring agricultural diseases in the future.
Benzer Tezler
- 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
- Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma
Image processing based plant species and diseases recognition
MUAMMER TÜRKOĞLU
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Buğdayda sarı pas (Puccinia striiformis) hastalığının değerlendirilmesi için görüntü ı̇şleme teknikleri kullanılarak bir karar destek sisteminin geliştirilmesi
Development of a decision support system by using image processing techniques for estimation of yellow rust (Puccinia striiformis) disease
TOLGA HAYIT
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERBAY
- Derin öğrenme yöntemleri kullanarak medikal görüntülerinden otomatik hastalık tespiti ve tıbbi raporlarının yazılması
Automatic disease detection and medical report generation from medical images using deep learning methods
MURAT UÇAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Ultrason taramalarından fetüs hareketlerinin tespiti için yeni derin öğrenme modelleri geliştirilmesi
Development of novel deep learning models for fetal movement detection in ultrasound scans
MUSA TURKAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL