Identification of plant diseases using convolutional neural network
Bitki hastalıklarının konvolüsyonel sinir ağları kullanılarak tanımlanması
- Tez No: 985785
- Danışmanlar: DR. VIKTOR ZAMARAEV
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Unıversıty Of Lıverpool
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bitkiler gübrelere ve çeşitli etkilere maruz kalmanın yanı sıra bitki hastalıkları, mahsul veriminin miktar ve kalitesinin en önemli faktörlerinden biri olarak kabul edilir ve bitki hastalıklarının tespiti bu konularda iyileşme sağlayabilir. Bu amaçla çeşitli prosedürler ve yöntemler çalıştırılmıştır, ancak bitki hastalıklarının tespiti için görüntü işleme ve makine öğrenimi gibi çeşitli yeni teknolojiler kullanılmasına rağmen, gerçek koşullarda başarılı ve onaylanmış bir model oluşturulamamıştır. Modeller, dikkate değer doğruluklar elde etmek için laboratuvar koşullarında çekilmiş görüntüleri kullandılar, ancak gerçek tarım alanlarında güvenilir ve dinamik bir model oluşturamadılar. Bu nedenle, bu çalışma, gerçek tarım koşullarında güvenilirlik ve dinamiklik sorununu çözmek için gerçek tarım görüntülerini kullanarak evrişimli bir sinir ağı oluşturmayı önermiştir. İki farklı CNN'den oluşan topluluk yöntemi, daha güvenilir hale gelmek için kullanılır. Ayrıca, daha fazla dinamiklik sağlamak için parlaklık veya kayma gibi görüntü özellikleri değiştirilerek veri artırma işlemi gerçekleştirilir. Model, 4 hastalık ve sağlıklı manyok yaprağı görüntüleri dahil olmak üzere toplam 21397 gerçek tarım görüntüsü ile eğitilmiş ve test edilmiştir. Sonuç olarak, temel CNN modelleri Adam, Adadelta, SGD ve RMSprop gibi farklı optimize edicilerle %60 ile %70 arasında doğruluğa ulaşmıştır. Veri artırma işlemi yapılmadan, önceden eğitilmiş modeller eğitim döneminde %94 - %95 doğruluk oranlarına ulaşsa da, doğrulama ve test döneminde %75 - %80'e ulaşabilmektedir. Bu modeller sadece döndürme tekniği kullanılarak artırılan verilerle eğitilmiş, ancak beklendiği gibi test sürecinde büyük doğruluklara ulaşamamıştır. Veri artırma yöntemi kullanılarak ResNet152 ve EfficientNet3 %84 ile %88 arasında doğruluk elde ederken, önerilen model eğitim ve doğrulama için sırasıyla %82,56 ve %82,94 doğruluk oranları elde etmiştir. Önerilen model, temel CNN ve Resnet152'ye kıyasla daha yüksek doğruluklara ulaştı, ayrıca model, Efficient-Netb3'e kıyasla 5 hastalıktan 2'si için daha iyi doğruluklara sahiptir. Sonuçlara göre, gerçek tarım görüntüleri kullanılarak eğitilen topluluk CNN'nin daha fazla dinamiklik ve güvenilirlik sağlamaya yardımcı olduğu elde edilmiştir
Özet (Çeviri)
Besides plants suffer pests and several impacts, plant diseases are admitted one of the most crucial reasons for the quantity and quality of crop yields and detection of plant diseases can lead to improvement in these matters. Several procedures and methods have been operated for this purpose, however, even though various recent technologies have been used for plant disease detection such as image processing and machine learning, a model has not been built that is precisely successful and approved in real-world conditions. Models used images that are taken under laboratory conditions to achieve remarkable accuracies, nevertheless, they could not generate a model that is reliable and dynamic in real agriculture areas. Therefore, this study proposed to build a convolutional neural network using real agriculture images to tackle the problem of reliability and dynamicity in real agriculture conditions. The ensemble method, which consists of two distinct CNNs, is used to become more reliable. Moreover, data augmentation process is performed by changing the image properties such as brightness or shear to provide more dynamicity. The model has been trained and tested with a total of 21397 real agriculture images, including images of 4 diseases and healthy cassava leaves. Consequently, the basic CNN models reached accuracies between 60% and 70% with different optimizers that are Adam, Adadelta, SGD and RMSprop. Without data augmentation process, even though pre-trained models achieved 94% - 95% accuracy rates in the training period, they could reach 75% - 80% in validation period and test period. These models have been trained by the data that are augmented using only rotation technique, however, they could not reach great accuracies in the test period as expected. Using data augmentation method, ResNet152 and EfficientNetB3 achieved accuracies between 84% and 88% while the proposed model achieved accuracies 80.08% and 82.10% accuracy rates for training and validation respectively. The proposed model reached higher accuracies compared to elemental CNN and Resnet152, also, in several experiments, the model has reached better accuracies for 3 of 5 diseases compared to EfficientNetB3 in testing phase. According to the results, it is obtained that constructing ensemble CNN trained using real agriculture images can assist to ensure more dynamicity and reliability.
Benzer Tezler
- 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
- Derin öznitelikler kullanılarak kiraz yapraklarında külleme hastalık seviyesinin sınıflandırılması
Classification of level of powdery mildew disease on cherry leaves using deep attributes
HATİCE KAYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
DR. ÖĞR. ÜYESİ EMRAH DÖNMEZ
- Leaf diseases detection using deep learning methods
Derin öğrenme yöntemlerini kullanarak yaprak hastalıklarının tespiti
EL HOUCINE EL FATIMI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP ERYİĞİT
- Domates hastalıklarının sınıflandırılması için makine öğrenmesi ve derin öğrenme temelli yeni yaklaşımlar
New approaches to classification of tomato diseases based on machine learning and deep learning
HASAN ULUTAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ
- 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