Yaprak görüntülerinden bitki hastalıklarının tespiti ve derin öğrenme yöntemlerinin karşılaştırmalı analizi
Detection of plant diseases from leaf images and comparative analysis of deep learning methods
- Tez No: 996537
- Danışmanlar: DOÇ. DR. BİHTER DAŞ
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Bilim ve Teknoloji, Agriculture, Science and Technology
- Anahtar Kelimeler: Bitki hastalıkları, Derin öğrenme, Külleme, Yapay zeka ve makine öğrenmesi dersi, Yaprak lekesi, Plant diseases, Deep learning, Powder mildew, Artificial intelligence and machine learning course, Leaf spot
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bitki hastalıklarının doğru ve etkili bir şekilde sınıflandırılması, tarımsal üretimde verim ve kalitenin artırılması, hastalıkların erken teşhisiyle ekonomik kayıpların azaltılması ve sürdürülebilir tarım uygulamalarının desteklenmesi açısından kritik bir öneme sahiptir. Bu tez çalışmasında, bitki yaprak hastalıklarının otomatik olarak tespiti ve sınıflandırılmasına yönelik bütüncül bir yöntem önerilmektedir. Çalışmanın temel hipotezi, GAN tabanlı veri artırımı ile desteklenen derin öğrenme modellerinin, geleneksel yöntemlere kıyasla daha yüksek sınıflandırma doğruluğu ve genelleme yeteneği sağlayacağı yönündedir. Bu kapsamda, mildiyö, potasyum eksikliği ve sağlıklı yaprak olmak üzere üç sınıfa ait, 21 farklı bitki türünden oluşan toplam 1000 görüntüden meydana gelen bir veri kümesi kullanılmıştır. Veri kümesindeki sınıf dengesizliğini azaltmak ve eğitim sürecini güçlendirmek amacıyla GAN tabanlı görüntü sentezleme teknikleri uygulanarak eğitim verisi zenginleştirilmiştir. Çalışmada, makine öğrenmesi yaklaşımları kapsamında ResNet50 tabanlı özellik çıkarımı ile XGBoost, Random Forest ve SVM algoritmaları değerlendirilmiş derin öğrenme kapsamında ise AlexNet, VGG16, VGG19, DenseNet121, Inceptionv3, ResNet50, LSTM ve RNN mimarileri incelenmiştir. Tüm modeller, performansın güvenilirliğini sağlamak amacıyla 5 katlı çapraz doğrulama yöntemi ile test edilmiştir. Deneysel sonuçlar, GAN tabanlı veri artırımı ile desteklenen derin öğrenme modellerinin geleneksel makine öğrenmesi yöntemlerine kıyasla daha başarılı sonuçlar ürettiğini göstermektedir. Özellikle DenseNet121 modeli, %98 doğruluk oranı ile en yüksek sınıflandırma başarımını elde etmiştir. Elde edilen bulgular, önerilen yaklaşımın çok sınıflı bitki hastalığı problemlerinde güçlü, genellenebilir ve pratikte uygulanabilir bir çözüm sunduğunu ortaya koymaktadır. Bu çalışma, farklı model türlerinin karşılaştırmalı olarak ele alındığı kapsamlı yapısıyla literatüre katkı sağlamakta ve yapay zek a tabanlı tarımsal teşhis sistemleri için etkili bir yöntem sunmaktadır.
Özet (Çeviri)
The accurate and effective classification of plant diseases is of critical importance for increasing yield and quality in agricultural production, reducing economic losses through early diagnosis of diseases, and supporting sustainable agricultural practices. This thesis proposes a comprehensive method for the automatic detection and classification of plant leaf diseases. The main hypothesis of the study is that deep learning models supported by GAN-based data augmentation will provide higher classification accuracy and generalization ability compared to traditional methods. In this context, a dataset consisting of a total of 1000 images from 21 different plant species belonging to three classes, namely mildew, potassium deficiency, and healthy leaves, was used. To reduce class imbalance in the dataset and strengthen the training process, GAN-based image synthesis techniques were applied to enrich the training data. Within the scope of machine learning approaches, ResNet50-based feature extraction with XGBoost, Random Forest, and SVM algorithms were evaluated within the scope of deep learning, AlexNet, VGG16, VGG19, DenseNet121, Inceptionv3, ResNet50, LSTM, and RNN architectures were examined. All models were tested using a 5-fold cross-validation method to ensure the reliability of their performance. The experimental results show that deep learning models supported by GAN-based data augmentation produce more successful results compared to traditional machine learning methods. In particular, the DenseNet121 model achieved the highest classification performance with a 98% accuracy rate. The findings reveal that the proposed approach offers a robust, generalizable, and practically applicable solution for multi-class plant disease problems. This study contributes to the literature with its comprehensive structure, which comparatively examines different model types, and presents an effective method for artificial intelligence-based agricultural diagnosis systems.
Benzer Tezler
- Leaf diseases detection using deep learning methods
Derin öğrenme yöntemlerini kullanarak yaprak hastalıklarının tespiti
EL HOUCINE EL FATIMI
- Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma
Image processing based plant species and diseases recognition
MUAMMER TÜRKOĞLU
- Üzüm yaprağında görülen hastalıkların derin öğrenme ile tespiti ve sınıflandırılması
Detection and classification of grape leaf diseases using deep learning
UMUT FIRAT
Yüksek Lisans
Türkçe
2026
Erzincan Binali Yıldırım ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
Yükleniyor...
- 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
Bilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Development of an Agricultural Land Analysis Software Using UAV RGB and Multispectral Imaging and Deep Learning Techniques For Northern Leaf Blight Detection in Corn Plants
Mısır Bitkilerinde Kuzey Yaprak Yanıklığı Tespiti İçin İHA RGB ve Multispektral Görüntüleme İle Derin Öğrenme Tekniklerini Kullanan Tarım Arazisi Analiz Yazılımının Geliştirilmesi
ZAINAB IHSAN SALEEM ATAR
Yüksek Lisans
İngilizce
2026
Türk Hava Kurumu ÜniversitesiMakine ve Uçak Mühendisliği Ana Bilim Dalı
Yükleniyor...