Derin öğrenme yöntemleri ile yaprak görüntülerindenhastalıkların belirlenmesi
Determination of diseases from leaf images using deep learningmethods
- Tez No: 970867
- Danışmanlar: DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Sınıflandırma, Deep learning, Classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekanın temelini oluşturan Konvolüsyonel Sinir Ağları (KSA), Derin Öğrenme (DÖ) modellerinde insan sinir ağlarının yapısına benzer şekilde tasarlanmıştır. Akıllı bilgisayarlar, tahmin, öneri ve karar verme yazılım sistemleri, yapay zekanın gelişmesiyle birlikte çok önemli hale gelmiştir. Birçok alanda (tarım, sağlık, siber güvenlik, savunma sanayi, ulaşım vb.) DÖ modelleriyle tahmin gücü ve doğruluğu yüksek hesaplamalar yapılabilmektedir. Özellikle DÖ modelleri ve analiz sistemleri, büyük ve karmaşık verileri sınıflandırırken insan gücü ve mantığının sınırlı olduğu alanlarda yüksek kaliteli ve doğru sonuçlar üretmek için yaygın olarak kullanılmaktadır. Büyük veri setleri kullanılarak DÖ modellerinin eğitilmesi ve hastalık tespiti süreçlerinin otomatikleştirilmesi tarım alanında verimliliği artırarak çiftçileri doğru teknikleri kullanmaya teşvik etmektedir. Bu teknolojilerin tarımda kullanılması hassasiyeti artırarak, zaman ve maliyet etkin, yüksek kaliteli ürün üretimini mümkün kılmaktadır. Havadan görüntü alma süreci, İnsansız Hava Araçlarının (İHA) gelişimi ve kullanımının artmasıyla hızlanmaktadır. Ayrıca gelişmiş kameralar kullanılarak alınan yüksek çözünürlüklü görüntülerin, üst seviye teknolojik bilgisayar sistemlerinde etkin yazılımlar ve görüntü işleme teknikleriyle beraber kullanımıyla bitki kalitesinin ve sağlığının otomatik olarak tespiti mümkün hale gelmektedir. Bu çalışma, tarım arazilerinden İHA ile alınan patates bitkisi görüntülerinden oluşan bir veri seti kullanılarak patates bitkilerinin genel sağlığını belirlemeyi ve bu yöntemin diğer bitki türlerine uygulanabilirliğinin tespitini amaçlamaktadır. Ayrıca Güneydoğu Anadolu Projesi (GAP) bölgesindeki tarım arazilerinden fotoğraf makinesi ve İHA ile alınacak bitki görüntülerinden oluşan bir veri seti ile uygulanabilirliği de araştırılmaktadır. Sağlıklı, EY ve GY hastalığı gösteren yaprak görüntülerinden oluşan veri seti, önceden ImageNet veri setiyle eğitilmiş olan VGG19, DenseNet201, InceptionV3 ve InceptionResNetV2 DÖ modellerinde transfer öğrenme yöntemiyle yeniden eğitilmiştir. Ayrıca derin, orta ve sığ özellikler çıkarılarak ve hiper parametre optimizasyonu da uygulanarak Destek Vektör Makineleri (DVM) ve K-En Yakın Komşu (K-EYK) Makine Öğrenme (MÖ) modelleriyle özellik çıkarma yöntemine göre yeniden eğitilmiştir. Sınıflandırma metriklerine göre performans sonuçları karşılaştırılmıştır. Özellik çıkarma yönteminde en yüksek sınıflandırma başarı oranı K-EYK ile DenseNet201 modelinde ve en düşük sınıflandırma başarı oranı DVM ile InceptionResNetV2 modelinde bulunmuştur. Transfer öğrenme yöntemine göre, en yüksek sınıflandırma başarı oranı, Adam optimizasyonu yapılan DenseNet201 modelinde ve en düşük sınıflandırma başarı oranı, Sgdm optimizasyonu yapılan InceptionResNetV2 modelinde elde edilmiştir. Genel olarak, InceptionResNetV2 modeli en uzun süren eğitimi verirken, VGG19 modeli en kısa süren eğitimi vermiştir. Çalışmada, tarım arazilerinden alınan görüntü verileri kullanılarak yetiştirilen herhangi bir bitki türü sağlığının başarılı bir şekilde sınıflandırabileceği sonucuna varılmıştır.
Özet (Çeviri)
Convolutional Neural Networks (CNNs), which form the basis of artificial intelligence, are designed to resemble the structure of human neural networks in Deep Learning (DL) models. Intelligent computers and software systems for prediction, recommendation, and decision making have become very important with the development of artificial intelligence. In many fields (agriculture, health, cybersecurity, defense industry, transportation, etc.), deep learning models can be used to make calculations with high predictive power and accuracy. In particular, deep learning models and analysis systems are widely used to produce high-quality and accurate results in areas where manpower and logic are limited when classifying large and complex data. Training deep learning models using large data sets and automating disease detection processes increase productivity in agriculture and encourage farmers to use the right techniques. The use of these technologies in agriculture increases precision, enabling time- and cost-effective, high-quality crop production. Aerial imagery is accelerating with the development and increased use of unmanned aerial vehicles (UAVs). In addition, the use of high-resolution images taken using advanced cameras in combination with efficient software and image processing techniques in high-tech computer systems makes it possible to automatically detect plant quality and health. This study aims to determine the general health of potato plants using a dataset of potato plant images taken by UAV from agricultural lands and to determine the applicability of this method to other plant species. In addition, the applicability of this method to other plant species is also investigated with a data set consisting of plant images taken with a camera and UAV from agricultural lands in the Southeastern Anatolia Project (GAP) region. The dataset, consisting of healthy, early blight, and late blight leaf images, was retrained by the transfer learning method on VGG19, DenseNet201, InceptionV3, and InceptionResNetV2 deep learning models that were previously trained with the ImageNet dataset. In addition, deep, medium, and shallow features were extracted and retrained with Support Vector Machines (SVM) and K-Nearest Neighbor (K-NN) Machine Learning (ML) models using the feature extraction method by applying hyperparameter optimization. Performance results are compared according to classification metrics. In the feature extraction method, the highest classification success rate was found in the DenseNet201 model with K-NN, and the lowest classification success rate was found in the InceptionResNetV2 model with SVM. According to the transfer learning method, the highest classification success rate was obtained for the Adam-optimized DenseNet201 model, and the lowest classification success rate was obtained for the Sgdm-optimized InceptionResNetV2 model. In general, the InceptionResNetV2 model gave the longest training time, while the VGG19 model gave the shortest training time. In the study, it was concluded that the health of any cultivated plant species can be successfully classified using image data from agricultural lands.
Benzer Tezler
- Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma
Image processing based plant species and diseases recognition
MUAMMER TÜRKOĞLU
Doktora
Türkçe
2019
Bilim ve Teknolojiİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Derin öğrenme yöntemleri ve yapay sinir ağı tabanlı NDVI değerleri ile çeltik bitkisi hastalıkların tespiti
Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values
İRFAN ÖKTEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ
- Mikroskobik hücre görüntülerinde derin öğrenme ile hücre tespiti ve sayımı
Cell detection and counting using deep learning methods in microscopic cell images
ZEYNEP SÖZEN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI
- Derin öğrenme yöntemleri ile asma yaprak hastalıklarının sınıflandırılması
Classification of vine leaf diseases using deep learning methods
YASİN ÜNAL
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
PROF. DR. MEHMET KARA
- Makine ve derin öğrenme yöntemleri ile sebze tohumu çimlenme kapasitesi tahmini
Vegetable seed germination capacity prediction by machine and deep learning methods
OLCAY TOSUN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP ERYİĞİT