DERİN ÖĞRENME YÖNTEMLERİ KULLANILARAK BİTKİ YAPRAĞINDAKİ HASTALIKLARIN SINIFLANDIRILMASI

Özet

Bitkilerin yetiştirilme süreci zahmetli ve uzun süren bir işlemdir. Bitki yetiştiriciliği ile uğraşan kişilerin en önemli sorunlarından biri bitki hastalığıdır. Hastalıkla mücadelede ilk olarak yapılması gereken hastalığın tanınmasıdır. Hastalıkla mücadelede hastalığın doğru bir şekilde tespit edip gereken önlemleri hızlı bir şekilde alabilmek oldukça önemlidir. Çalışmada domates yapraklarındaki hastalık belirlenmesinde derin öğrenme yöntemleri kullanılmıştır. Çalışmada kullanılan veri setinde 9 hastalıklı ve 1 sağlıklı sınıftan oluşan toplam 18.160 domates yaprağı görüntüsü bulunmaktadır. Görüntü hastalık sınıflandırmasında derin evrişimli sinir ağları (ESA) modellerden ön eğitimli ağlar olan GoogleNet, AlexNet, SqueezeNet, ShuffleNet ve ResNet-18 modelleri kullanılmıştır. Analizlerde veri seti %70 eğitim, %15 doğrulama ve %15 test verisi olarak ayrılmıştır. Eğitilen ağların test verisi ile performans ölçütleri doğruluk, kesinlik, özgüllük ve f-puanı değerleri hesaplanmıştır. Modellerin doğruluk oranları AlexNet, GoogleNet, ShuffleNet, SqueezeNet ve ResNet-18 için sırasıyla %93,93, %95.18, %94.82, %94.29 ve %81.79 olarak elde edilmiştir. Yapılan analizlere göre ön eğitimli ağların domates yaprağı hastalık sınıflandırma çalışmasında, en iyi performans gösteren modelin GoogleNet olduğu görülmüştür.

Abstract

The process of growing plants is laborious and time-consuming. Plant diseases are one of the most significant problems facing people who deal with plant breeding. The first thing to do in the fight against the disease is to recognize the disease. It is essential to detect the disease quickly and take the necessary measures quickly. In the study, deep learning methods were applied to determine the disease in tomato leaves. The data set included 18,160 images of tomato leaves, which were divided into 10 classes. GoogleNet, AlexNet, SqueezeNet, ShuffleNet, and ResNet-18 networks, which are pre-trained deep convolutional neural networks (CNN) models, were used to classify images of diseases. In the models, 70% of the training dataset is used for training, 15% for validation, and 15% for testing. Based on the test data of the trained networks, accuracy, precision, specificity, and f-score values were calculated. For AlexNet, GoogleNet, ShuffleNet, SqueezeNet and ResNet-18, the accuracy rates were 93.93%, 95.18%, 94.82%, 94.29% and 81.79%, respectively. A study of pre-trained networks for the classification of tomato leaf diseases showed that GoogleNet was the highest performing model.