KaydedilenlerDerginizi ekleyin

Dergiler / Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi / 2023 / Cilt: 37 Sayı: 2

Ayçiçeğinde Küllemenin Makine Öğrenimine Dayalı Tespiti ve Şiddetinin Değerlendirilmesi: Hassas Tarım Yaklaşımı

Machine Learning-Based Detection and Severity Assessment of Sunflower Powdery Mildew: A Precision Agriculture Approach

Alperen Kaan BÜTÜNER
Yavuz Selim ŞAHİN
Atilla ERDİNÇ
Hilal ERDOĞAN
Sayfa
387–400
Yayın Tarihi
2023-12-08
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Orijinal alan görüntülerinden elde edilen fotoğraflara ait toprak, külleme, sap ve yaprak matrisleri ile Decision Trees (Karar Ağaçları) modeli eğitilerek hastalık şiddet seviyeleri tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Ayçiçeğinde külleme (Golovinomyces cichoracearum (DC.) V.P.
📊
Temel Bulgular & Veri:Heluta), önemli ölçüde verim kaybına neden olan, ayçiçeği ürünleri için önemli bir tehdittir.
💡
Sonuç & Katkı:Orijinal alan görüntülerinden elde edilen fotoğraflara ait toprak, külleme, sap ve yaprak matrisleri ile Decision Trees (Karar Ağaçları) modeli eğitilerek hastalık şiddet seviyeleri tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Karar ağaçları · makine öğrenimi · külleme

Özet

Ayçiçeğinde külleme (Golovinomyces cichoracearum (DC.) V.P. Heluta), önemli ölçüde verim kaybına neden olan, ayçiçeği ürünleri için önemli bir tehdittir. Geleneksel teşhis yöntemleri, insan gözlemine dayalı olarak, erken hastalık tespiti ve hızlı kontrol sağlama konusunda yetersiz kalmaktadır. Bu çalışma, ayçiçeğinde küllemenin erken tespiti için makine öğrenimini kullanarak bu soruna yeni bir yaklaşım sunmaktadır. Orijinal alan görüntülerinden elde edilen fotoğraflara ait toprak, külleme, sap ve yaprak matrisleri ile Decision Trees (Karar Ağaçları) modeli eğitilerek hastalık şiddet seviyeleri tespit edilmiştir. Test görüntülerinde sırasıyla A ve C olarak etiketlenmiş hastalık şiddeti seviyeleri %18.14 ve %5.56 olarak belirlenmiştir. Modelin %85 oranında gösterdiği doğruluk, modelin yüksek düzeyde yetkinliğe ve özellikle Decision Trees modelinin tarım alanında hastalık kontrolünü ve hastalıkların önlenmesini devrimleştirmek için umut verici perspektiflere sahip olduğunu göstermektedir.

Abstract

Sunflower powdery mildew (Golovinomyces cichoracearum (DC.) V.P. Heluta) is a substantial threat to sunflower crops, causing significant yield loss. Traditional identification methods, based on human observation, fall short in providing early disease detection and quick control. This study presents a novel approach to this problem, utilizing machine learning for the early detection of powdery mildew in sunflowers. The disease severity levels were determined by training a Decision Trees model using matrix of soil, powdery mildew, stems, and leaf images obtained from original field images. It was detected disease severity levels of 18.14% and 5.56% in test images labeled as A and C, respectively. The model's demonstrated accuracy of 85% suggests high proficiency, indicating that machine learning, specifically the DTs model, holds promising prospects for revolutionizing disease control and diseases prevention in agriculture.

🔖

Bu Makaleye Atıf Yap

BÜTÜNER, A. K., ŞAHİN, Y. S., ERDİNÇ, A., ERDOĞAN, H. (2023). Ayçiçeğinde Küllemenin Makine Öğrenimine Dayalı Tespiti ve Şiddetinin Değerlendirilmesi: Hassas Tarım Yaklaşımı. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, Cilt: 37 Sayı: 2, 387–400. https://ajindex.com/articles/1021232

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Adi, K., Pujiyanto, S., Dwi Nurhayati, O. and Pamungkas, A. 2017. Beef quality identification using thresholding method and decision tree classification based on android smartphone. Journal of Food Quality, 9: 1-10.
  2. Bock, C. H., Barbedo, J. G., Del Ponte, E. M., Bohnenkamp, D. and Mahlein, A. K. 2020. From visual estimates to fully automated sensor-based measurements of plant disease severity: status and challenges for improving accuracy. Phytopathology Research, 2(1): 1-30.
  3. Bock, C. H., Poole, G. H., Parker, P. E. and Gottwald, T. R. 2010. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Critical reviews in plant sciences, 29(2): 59-107.
  4. Cai, J., Xiao, D., Lv, L. and Ye, Y. 2019. An early warning model for vegetable pests based on multidimensional data. Computers and Electronics in Agriculture, 156: 217-226.
  5. Cook, R. T. A. and Braun, U. 2009. Conidial germination patterns in powdery mildews. Mycological Research 113(5): 616-636.
  6. Dawod, R. G. and Dobre, C. 2021. Classification of Sunflower Foliar Diseases Using Convolutional Neural Network. 23rd International Conference on Control Systems and Computer Science (CSCS). Bucharest, Romania. pp. 476-481
  7. Dokken, K. M. and Davis, L. C. 2007. Infrared imaging of sunflower and maize root anatomy. Journal of agricultural and food chemistry, 55(26): 10517-10530.
  8. Erdoğan, H., Bütüner, A. K. and Şahin, Y. S. 2023.
  9. Detection of Cucurbit Powdery Mildew, Sphaerotheca fuliginea (Schlech.) Polacci by Thermal Imaging in Field Conditions. Scientific Papers Series Management, Economic Engineering in Agriculture and Rural Development, 23(1): 189-192.
  10. Esgario, J. G., Krohling, R. A. and Ventura, J. A. 2020. Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture, 169: 105162. Gallardo-Romero, D. J., Apolo-Apolo, O. E., Martínez-Guanter, J. and Pérez-Ruiz, M. 2023. Multilayer Data and Artificial Intelligence for the Delineation of Homogeneous Management Zones in Maize Cultivation. Remote Sensing, 15(12): 3131-3148.
  11. Goncalves, J. P., Pinto, F. A., Queiroz, D. M., Villar, F. M., Barbedo, J. G. and Del Ponte, E. M. 2021. Deep learning architectures for semantic segmentation and automatic estimation of severity of foliar symptoms caused by diseases or pests. Biosystems Engineering, 210: 129-142.
  12. Jasim, S. S. and Al-Taei, A. A. M. 2018. A Comparison Between SVM and K-NN for classification of Plant