Yapay zeka yöntemleriyle süs bitkilerinde görülen yaprak hastalıklarının tespiti
Detection of leaf diseases in ornamental plants using artificial intelligence methods
- Tez No: 972955
- Danışmanlar: DR. ÖĞR. ÜYESİ ESRA KAYA
- Tez Türü: Yüksek Lisans
- 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 ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, gül yaprağı hastalıklarının görüntü işleme ve derin öğrenme yöntemleriyle sınıflandırılmasına yönelik özgün ve hafif bir evrişimsel sinir ağı (ESA) mimarisi geliştirilmiştir. Çalışmada, PlantVillage tabanlı RoseNet veri seti kullanılarak altı farklı gül hastalığı sınıfı üzerinde sınıflandırma gerçekleştirilmiş ve model girişinde RGB, HSV ve YCrCb renk uzaylarının füzyonundan oluşan 9-kanallı görüntüler kullanılmıştır. Önerilen mimaride, kanal dikkatini güçlendirmek amacıyla Sıkıştırma ve Uyarım (SU) ve Evrişimsel Blok Dikkat Modulü (EBDM) blokları ardışık olarak entegre edilmiştir. Eğitim sürecinde Z-puan normalizasyonu, etiket yumuşatma, sınıf ağırlık ve çeşitli erken durdurma mekanizmaları uygulanmıştır. Modelin doğruluk, Kesinlik, Duyarlılık ve F1-score gibi performans metrikleri %93'ün üzerinde başarı sağlamış; ayrıca düşük parametre sayısı ve kısa çıkarım süresi ile kaynak dostu bir yapı sunmuştur. Elde edilen sonuçlar, literatürdeki güncel yaklaşımlarla karşılaştırıldığında hem doğruluk hem de verimlilik açısından rekabetçi bir çözüm sunduğunu ortaya koymaktadır. Geliştirilen modelin, mobil tarım uygulamaları ve erken hastalık tespit sistemlerine entegre edilebilecek düzeyde pratik ve açıklanabilir olduğu değerlendirilmiştir.
Özet (Çeviri)
In this thesis, a novel and lightweight convolutional neural network (CNN) architecture is developed for the classification of rose leaf diseases using image processing and deep learning techniques. The model is trained on the RoseNet dataset, which consists of six distinct classes of rose diseases. A 9-channel input structure is formed by fusing RGB, HSV, and YCrCb color spaces to enhance feature diversity. To strengthen channel-wise attention, the proposed CNN integrates Squeeze-and-Excitation (SE) and Convolutional Block Attention Module (CBAM) blocks sequentially. During training, Z-score normalization, label smoothing, class weighting, and early stopping strategies are applied. The model achieved over 93% in Doğruluk, Kesinlik, Duyarlılık, and F1-score metrics, while maintaining low parameter complexity and fast inference time, making it suitable for resource-constrained environments. Compared to recent studies in the literature, the proposed model presents a competitive performance in terms of both Doğruluk and efficiency. Furthermore, its lightweight structure and explainability highlight its potential for integration into mobile agricultural systems and early disease detection applications.
Benzer Tezler
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
- Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması
Başlık çevirisi yok
MÜRŞİDE KESEROĞLU
- Çiğit ve ayçiçek yağlarının doğal antioksidan içerikleri ile bu yağların stabilitelerinin arttırılmaları üzerinde araştırmalar
Başlık çevirisi yok
ALİ KEMAL YALNIZ
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Orta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
