Domateste yaygın görülen hastalıkların derin öğrenme yöntemi ile sınıflandırılması
Classification of common diseases in tomatoes using deep learning methods
- Tez No: 942869
- Danışmanlar: DOÇ. DR. ADEM GÖLCÜK
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 236
Özet
Domates, dünya genelinde kişi başı tüketimi yılda yaklaşık olarak 20kg ile en çok tüketilen sebze listesinin başında yer almaktadır. Domates üretiminde verim ve kaliteyi olumsuz olarak etkileyen en önemli faktörlerden biri zararlı organizma olarak adlandırılan hastalıklardır. Domates, iklim ve çevresel faktörlerine bağlı olarak ekim ve yetiştirilme sürecinde birçok hastalığa yakalanabilir. Domates üretiminde oluşabilecek hastalıkların tespit edilmesi ve gereken önlemlerin alınması üreticiler için oldukça önemlidir. Günümüzde yapay zekâ uygulamaları oldukça popüler hale gelmiştir. Tarım alanında karşılaşılan bitki hastalıklarının tespiti için yapay zekâdan yardım alınmaktadır. Bu tezde, domateste yaygın görülen hastalıklar yapay zekânın alt dalı olan derin öğrenme yöntemleri ile sınıflandırılmıştır. Domates bitkisinde yaygın olarak görülen hastalıklara yönelik örnekler toplamak amacıyla, öncelikle Kerkük ilinde faaliyet gösteren domates üreticileriyle saha çalışmaları gerçekleştirilmiştir. Yeterli sayıda örneğe ulaşıldıktan sonra, görüntü işleme teknikleri kullanılarak sistem için anlamlı görseller elde edilmiştir. Bu görsellerle oluşturulan veri seti, derin öğrenme tabanlı bir sistemin eğitilmesinde kullanılmıştır. Elde edilen sonuçlar, geliştirilen derin öğrenme sisteminin domates hastalıklarının sınıflandırılmasında yüksek doğruluk ve güvenilirlik sunduğunu göstermektedir. Son yıllarda yapay zekâ, özellikle de derin öğrenme alanında yaşanan önemli gelişmeler, tarımsal uygulamalara da yansımış ve hastalık tespiti gibi kritik süreçlerde yaygın olarak kullanılmaya başlanmıştır. Domates, hem dünya genelinde yaygın olarak tüketilen bir tarım ürünü olması hem de çok sayıda mantar, bakteri ve virüs kaynaklı hastalığa karşı duyarlılığı nedeniyle, hastalık tespiti açısından güncelliğini koruyan önemli bir konudur. Bu çalışmada, domateste yaygın olarak görülen domates mildiyösü, erken yaprak yanıklığı, kurşuni küf ve bakteriyel kanser hastalıkları ile sağlıklı domatesler olmak üzere toplam beş sınıfta sınıflandırma yapılmıştır. Kullanılan veriler tamamen özgün olup, üretim alanında çekilen yaprak, kırmızı domates ve yeşil domates görsellerinden oluşan üç farklı grubu içermektedir. Bu veriler, iki kat veri çoğaltma (augmentation) işlemi uygulanarak toplamda 6414 görüntüye ulaşılmıştır. Verilerin %80'i eğitim, %20'si test amacıyla ayrılmış ve 21 farklı derin öğrenme yöntemiyle sonuçlar değerlendirilmiştir. Elde edilen en başarılı beş derin öğrenme yöntemi, aynı eğitim/test oranları korunarak beş farklı özellik çıkarım yöntemi ve beş katlı çapraz doğrulama kullanılarak makine öğrenmesi algoritmaları ile yeniden sınıflandırılmıştır. Bu sınıflandırma çalışması sonucunda en başarılı sonuçlar, EfficientNet-B0 modeli ile elde edilen 1000 özellik arasından Chi² (Ki-kare) yöntemiyle seçilen en iyi 100 özelliğin, Fine KNN makine öğrenmesi algoritması ile sınıflandırılmasıyla elde edilmiştir. Bu yöntemle %88,4 eğitim doğruluğu ve %92 test doğruluğu sağlanmıştır.
Özet (Çeviri)
Tomato is one of the most consumed vegetables in the world with a per capita consumption of approximately 20kg per year. One of the most important factors that negatively affect the yield and quality in tomato production is the diseases called harmful organisms. Tomato can be affected by many diseases during the planting and cultivation process depending on climatic and environmental factors. It is very important for producers to detect the diseases that may occur in tomato production and to take the necessary precautions. Today, artificial intelligence applications have become very popular. Artificial intelligence is used for the detection of plant diseases encountered in the field of agriculture. In this thesis, common diseases in tomato are classified by deep learning methods, which is a sub-branch of artificial intelligence. In order to collect samples for common diseases in tomato plants, field studies were carried out with tomato producers operating in Kirkuk province. After reaching a sufficient number of samples, meaningful images were obtained for the system using image processing techniques. The dataset created with these images was used to train a deep learning based system. The results obtained show that the developed deep learning system offers high accuracy and reliability in the classification of tomato diseases. In recent years, significant developments in artificial intelligence, especially in the field of deep learning, have been reflected in agricultural applications and have been widely used in critical processes such as disease detection. Tomato is an important topic in terms of disease detection, both because it is a widely consumed agricultural product worldwide and because of its susceptibility to many fungal, bacterial and viral diseases. In this study, a total of five classes of tomato diseases, namely tomato mildew, early leaf blight, lead mould, bacterial cancer and healthy tomatoes were classified. The data used is completely original and includes three different groups of leaf, red tomato and green tomato images taken in the production area. These data were augmented twice and a total of 6414 images were obtained. Eighty per cent of the data was used for training and 20 per cent for testing, and the results were evaluated with 21 different deep learning methods. The five most successful deep learning methods were reclassified with machine learning algorithms using five different feature extraction methods and five-fold cross-validation while maintaining the same training/testing ratios. As a result of this classification study, the most successful results were obtained by classifying the best 100 features selected by Chi² (Chi-square) method among 1000 features obtained with EfficientNet-B0 model with Fine KNN machine learning algorithm. With this method, 88.4% training accuracy and 92% test accuracy were achieved.
Benzer Tezler
- Modül bazlı iyileştirilmiş derin öğrenme modelleriyle bitkilerde hastalıkların teşhisi
Diagnosis of diseases in plants with module-based improved deep learning models
ALİ EMRE GÖK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Önemli zeytin (Olea europaea L.) çeşitlerinin izoenzim polimorfizmleri ve genetik özellikleri
Isoenzyme polymorphisms and genetic characteristics of important olive (Olea europaea L.) cultivars and types
SEVDA DÜLGER
Yüksek Lisans
Türkçe
2004
ZiraatÇanakkale Onsekiz Mart ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
YRD. DOÇ. DR. MURAT ŞEKER
- Aydın İli domates ekim alanlarında görülen toprak kaynaklı fungal hastalık etmenleri, yaygınlık durumu ve bazı domates çeşitlerinin bu etmenlere karşı reaksiyonlarının belirlenmesi üzerinde çalışmalar
Başlık çevirisi yok
AYHAN YILDIZ
Yüksek Lisans
Türkçe
1999
ZiraatAdnan Menderes ÜniversitesiFitopatoloji Ana Bilim Dalı
PROF. DR. M. TİMUR DÖKEN
- Domates lekeli solgunluk virüs hastalığına karşı dayanıklılığı kıran TSWV ( Tomato Spotted Wilt Virus) ) izolatının moleküler karakterizasyonu
Molecular characterization of resistance breaking tomato spotted wilt virus ( TSWV ) isolate in the tomato plant
NURAY SARI
Yüksek Lisans
Türkçe
2018
ZiraatAkdeniz ÜniversitesiBitki Koruma Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN FİDAN
- Domateslerde zararlı domates sarı yaprak kıvırcıklık virüsünün (DSYKV) yabancı ot konukçularının saptanması
Başlık çevirisi yok
ALAATTİN YEŞİLOĞLU