Bitki yaprağı hastalıklarının dijital görüntü işleme ve makine öğrenmesi kullanılarak teşhis edilmesi
Diagnosis of plant leaf diseases using digital image processing and machine learning techniques
- Tez No: 995956
- Danışmanlar: PROF. DR. SEDAT NAZLIBİLEK, DR. ÖĞR. ÜYESİ DENİZ KARAÇOR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akıllı tarım, üretimde yüksek verim ve çeşitlilik elde edilmesi, çevrenin korunması ve su kaynaklarının doğru kullanılması için tarımsal üretim süreçlerine gelişen güncel teknolojilerin uygulanmasıdır. Bu çalışma, Türkiye'de akıllı tarım uygulamalarına geçiş sürecine katkı sağlamak amacıyla bitki hastalıklarının erken aşamada ve doğru olarak teşhis edilmesi için dijital görüntü işleme ve makine öğrenmesi teknolojilerinin kullanılması üzerinedir. Çalışma özellikle büyük tarım arazilerinde maliyetten ve zamandan tasarruf sağlanmasını amaçlamaktadır. Çalışmada, bitki hastalıklarının tespiti, bitki yapraklarının görüntüsünden yararlanılarak yapılmıştır. Geleneksel makine öğrenmesi algoritmaları ile bitki hastalıklarını sınıflandıran modeller geliştirilmiştir. Bu tez çalışmasında kullanılan bitki yaprağı görüntüleri Kaggle platformunda yer alan PlantVillage anonim veri setinden temin edilmiştir. Patates ve domates bitkilerinin sağlıklı ve hastalıklı yaprak görüntüleri kullanılmıştır. Dijital görüntü işleme teknikleri ile yaprak görüntülerinin kalitesi iyileştirilerek 4 şekil, 12 renk ve 21 doku olmak üzere toplam 37 öznitelik çıkarılmış ve çıkarılan öznitelikler farklı şekillerde gruplandırılarak 5 ayrı öznitelik kümesi oluşturulmuştur. Sınıflandırma için geleneksel makine öğrenmesi teknikleri olan ve sınıflandırma problemleri için tercih edilen Rastgele Orman (Random Forest (RF)) ve Destek Vektör Makineleri (Support Vector Machines (SVM)) algoritmaları seçilmiştir. Her iki algoritma oluşturulan 5 farklı öznitelik kümesiyle eğitilerek modeller geliştirilmiş ve modellerin performans ölçümleri göz önüne alınarak sınıflandırma için kullanılacak algoritma, öznitelik kümesi eşleşmesi belirlenmiştir. Geliştirilen modellerin performansları karışıklık matrisi (Confusion Matrix), doğruluk (Accuracy) ve F1-skor metrikleriyle değerlendirilmiş ve sonuçlar tablo halinde sunulmuştur. Çalışma sonunda en yüksek performansı gösteren Rastgele Orman algoritması ve öznitelik kümesi 1 (Renk momentleri ve GLCM) eşleşmesi ile domates bitkisine özel sınıflandırma modeli geliştirilmiş ve %91,44 doğruluk ve %91,47 F1-skor başarı elde edilmiştir.
Özet (Çeviri)
Reasons such as rapid population growth in the world, climate change and war have created the need to renew agricultural production processes in a way that will get maximum efficiency from the unit of agricultural area without causing environmental pollution and with the correct use of resources. Smart agriculture is the application of current technologies to agricultural production processes to achieve high efficiency and diversity in production, protect the environment and use water resources correctly. This study is about using digital image processing and machine learning technologies to diagnose plant diseases at an early stage and accurately in order to contribute to the transition to smart agricultural practices in Turkey. The study aims to save cost and time, especially in large agricultural lands. In this thesis study, the plant leaf images used were obtained from the anonymous PlantVillage dataset available on the Kaggle platform. Images of healthy and diseased leaves of potato and tomato plants were used. The quality of the leaf images was enhanced using digital image processing techniques, and a total of 37 features were extracted, including 4 shapes, 12 color, and 21 texture features. The extracted features were then grouped in different ways to create five distinct feature sets. For classification, traditional machine learning techniques Random Forest (RF) and Support Vector Machines (SVM) were selected which are commonly used in classification problems. Both algorithms were trained with the five different feature sets to develop classification models, and the algorithm and feature set combinations yielding the highest performance were identified. The performance of the developed models was evaluated using the confusion matrix, accuracy, and F1-score metrics, and the results were presented in tabular form. The Random Forest algorithm and Feature Set 1 (Color moments and GLCM) that gave the best combination. As a result of the study the model is developed for tomato by using Random Forest algorithm and feature set 1 combination and 91.44% accuracy and 91.47% F1-score success were achieved.
Benzer Tezler
- Potansiyel glikasyon ürünlerinin azaltılmasına yönelik yeni fonksiyonel gıdalar geliştirilmesi ve in vitro yöntemle biyoerişilebilirliklerinin tayini
Development of new functional foods for reducing potential glycation products and determination of their bioaccessibility by in vitro method
BÜŞRA YUSUFOĞLU
- Classification of pepper leaf diseases using VGG16.NET
Biber yaprağı hastalıklarının VGG16.NET kullanılarak sınıflandırılması
SÜLEYMAN ÇETİNKAYA
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAdana Alparslan Türkeş Bilim ve Teknoloji ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AMİRA TANDİROVİÇ GÜRSEL
- Identification of plant diseases using convolutional neural network
Bitki hastalıklarının konvolüsyonel sinir ağları kullanılarak tanımlanması
OLCAY ÇOBAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUnıversıty Of LıverpoolBilgisayar Mühendisliği Ana Bilim Dalı
DR. VIKTOR ZAMARAEV
- Derin evrişimli yapay sinir ağı kullanarak meyve yaprağı hastalık tespiti
Fruit leaf disease detection using deep convolutional neural network.
SENA NUR BENLİ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALİM CEYHAN
- 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