Plant dısease detectıon usıng advanced deep learnıng methods
Gelişmiş derin öğrenme yöntemlerini kullanarak bitki hastalıklarının tespiti
- Tez No: 962315
- Danışmanlar: PROF. DR. ALİ OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bitki hastalığı tespiti, bitki hastalığı, önceden eğitilmiş ağlar, derin öğrenme, Transfer öğrenmesi, Plant disease detection, plants disease, pre-trained networks, deep learning, Transfer learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
İnsanlar için zor olduğu düşünülen görevlerin çoğu makineler tarafından çok daha kolay gerçekleştirilebilirken, hastalıkların tespiti makine öğreniminin en yaygın ve önemli uygulamalarından biri olmaya devam etmektedir. Bitki hastalıklarının tespiti, çiftçilik deneyimi olmayan bir birey tarafından gerçekleştirilmesi zor olduğundan, mahsullerde büyük kayıplara yol açmaktadır. Tarımda, bitki hastalıklarının erken tespiti mahsul üretiminde çok önemlidir çünkü bu tür hastalıklar mahsul verimi ve bitki sağlığı üzerinde potansiyel olumsuz etkilere sahip olabilir ve muhtemelen çiftçiler ve gıda güvenliği için geçim riskleri oluşturabilir. Bilgisayarlı görüş, bitkilerin yapraklarının hastalıklı veya sağlıklı evrelerine göre sınıflandırılması için gelişmiş makine öğrenimi ve derin öğrenmeyi mümkün kılar. Bu araştırmada, yaprak görüntüleri ile derin öğrenme ile bir yaprak hastalığı sınıflandırma modeli önerilmiştir. Yüksek doğruluk için, ResNet50, Inception-ResNet, VGG16 ve özel bir model dahil olmak üzere birkaç son teknoloji Evrişimli Sinir Ağı (CNN) mimarisi karşılaştırılmıştır. Tüm modeller eğitim, doğrulama ve test veri kümeleriyle eğitilmiş ve test edilmiştir. Deneysel bulgular, VGG16'nın test setinde doğruluk açısından %97,22 doğrulukla en iyi performansı gösterdiğini doğrulamaktadır. Özel CNN, Inception-ResNet ve ResNet50 gibi diğer tüm mimariler, değişken performans ölçeklerinde performans göstermiştir. Model karşılaştırması, VGG16 ve Inception-ResNet gibi önceden eğitilmiş mimarilerin, daha derin ve karmaşık özellik kümelerini çıkarma yeteneğiyle çoğu senaryoda özel olarak tasarlanmış mimarilerden daha iyi performans gösterdiğini ortaya koymaktadır.
Özet (Çeviri)
While most of the tasks considered challenging for human beings are a lot easier to be performed by machines, detection of diseases remains among the most common and crucial uses of machine learning. Plant disease detection is difficult to be performed by an individual with no farming experience, leading to huge losses in crops. In agriculture, early identification of plant illnesses is very important in crop production because such diseases may have potential adverse effects on crop yield and plant health, possibly posing livelihood risks to farmers and food security. Computer vision enables advanced machine learning and deep learning to classify plants according to the signs of diseased or healthy stages of the plant's leaves. In this research, a leaf disease classification model with deep learning is proposed with leaf images. For high accuracy, several modern CNN architectures, for example ResNet50, Inception-ResNet, VGG16, and a custom model, have been compared. A preprocessing stage have been adopted for the dataset. All the models have been trained and tested with training, validation, and testing datasets. The experimental findings validate that VGG16 showed best performance with a 97.22% accuracy in accuracy in terms of accuracy in the testing set. All other architectures, such as custom CNN, Inception-ResNet, and ResNet50, performed at variable scales of performance. Model comparison reveals that pretrained architectures, such as VGG16 and Inception-ResNet, outperform custom-designed architectures in most scenarios, with an ability to extract deeper and complexer feature sets.
Benzer Tezler
- Detection and classification of olive quality and diseases by deep learning methods
Zeytin kalitesi ve hastalıklarının derin öğrenme yöntemleri ile belirlenmesi ve sınıflandırılması
CENGİZ MEHMET ALBOYACI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAN ATILGAN
- Görüntü işlemenin Convolutional Neural Network (CNN) modeli kullanılarak tarımsal alanda uygulanması: Hastalıklı yaprak tespiti
Application of image processing in agriculture using the Convolutional Neural Network (CN) model: Leaf disease detection
BETÜL KARAOĞLAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET TAHİR GÜNEŞER
DR. ÖĞR. ÜYESİ İSA AVCI
- Image processing and machine learning techniques for Chagas disease identification and segmentation
Görüntü işleme ve makine öğrenimi teknikleri, Chagas hastalığı tanı ve segmentasyonu için
INASS MOHAMMED AZZAWI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. LAVDİE RADA ÜLGEN
- 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
- Bitki yapraklarındaki hastalıkların derin öğrenme yöntemleri kullanılarak tespiti ve sınıflandırılması
Detection and classification of diseases in plant leaves using deep learning methods
NADİDE YÜCEL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED YILDIRIM