KaydedilenlerDerginizi ekleyin

Dergiler / Meyve Bilimi / 2026 / Cilt: 12 Sayı: 1

İnce Ayarlanmış CNN’ler ve Belirti-Organ Düzeyinde Etiketleme ile Arazi Görüntülerinden Kayısı Bitkisi Hastalık ve Zararlılarının Tespiti

Apricot Plant Disease and Pest Detection from Field Images Using Fine-Tuned CNNs and Symptom–Organ Level Labeling

Yahya Altuntaş(MEYVECİLİK ARAŞTIRMA ENSTİTÜSÜ MÜDÜRLÜĞÜ)0000-0002-7472-8251
Yusuf Karakuş(KAYISI ARAŞTIRMA ENSTİTÜSÜ MÜDÜRLÜĞÜ)0000-0002-5992-1926
Sayfa
88–99
Yayın Tarihi
2025-07-09
🏛️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)

Bu bulgular, yöntemin güvenilir olduğunu ve pratik uygulamalar için uygunluğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bitki hastalık ve zararlılarının erken ve doğru tespiti, verim ve kalite kayıplarının önlenmesi, sürdürülebilir tarımın desteklenmesi ve gıda güvenliğinin sağlanması açısından kritik öneme sahiptir.
📊
Temel Bulgular & Veri:Bu çalışmada, kayısı (Prunus armeniaca) bitkilerinde hastalık ve zararlı semptomlarını gösteren 6.081 adet arazi görüntüsünden oluşan özgün bir veri seti oluşturulmuştur.
💡
Sonuç & Katkı:Bu bulgular, yöntemin güvenilir olduğunu ve pratik uygulamalar için uygunluğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:6.081 adet
⚙️Değişkenler:Kayısı (Prunus armeniaca) · Transfer öğrenme · Ayrıntılı etiketleme

Özet

Bitki hastalık ve zararlılarının erken ve doğru tespiti, verim ve kalite kayıplarının önlenmesi, sürdürülebilir tarımın desteklenmesi ve gıda güvenliğinin sağlanması açısından kritik öneme sahiptir. Bu çalışmada, kayısı (Prunus armeniaca) bitkilerinde hastalık ve zararlı semptomlarını gösteren 6.081 adet arazi görüntüsünden oluşan özgün bir veri seti oluşturulmuştur. Ön-eğitimli evrişimsel sinir ağı (CNN) modelleri AlexNet, GoogLeNet ve ResNet-50 sınıflandırma görevi için ince-ayarlanmıştır. Standart bir veri etiketleme stratejisi yerine, hem belirti türünü hem de etkilenen bitki organını dikkate alan ayrıntılı bir etiketleme yöntemi önerilmiştir. CNN modelleri, biri geleneksel 7-sınıflı, diğeri ise önerilen yöntemle oluşturulan 13-sınıflı olmak üzere iki ayrı veri seti üzerinde eğitilmiştir. Tüm modeller beş-katlı çapraz-doğrulama yöntemi ile değerlendirilmiştir. Tüm model ve veri seti kombinasyonları arasında en yüksek doğruluk oranı olan %93,9’a, ResNet-50 modelinin 7-sınıflı veri seti üzerinde elde ettiği sonuçla ulaşılmıştır. Önerilen etiketleme yöntemi sınıflandırma doğruluğunda küçük bir düşüşe neden olsa da, sınıf sayısının artmasına rağmen performans farkı düşük kalmıştır. Bu bulgular, yöntemin güvenilir olduğunu ve pratik uygulamalar için uygunluğunu göstermektedir.

Abstract

Early and accurate detection of plant diseases and pests is critical to preventing yield and quality losses, supporting sustainable agriculture, and ensuring food security. In this study, a novel dataset of 6,081 field images showing disease and pest symptoms on apricot (Prunus armeniaca) plants was created. Three pre-trained convolutional neural networks (CNNs), namely AlexNet, GoogLeNet, and ResNet-50, were fine-tuned for the classification task. Instead of a standard labeling strategy, a detailed labeling method was proposed, which considers both symptom type and the affected plant organ. The CNNs were trained on two datasets: a traditional 7-class version and a 13-class version generated using the proposed method. All models were evaluated using 5-fold cross-validation. Among all model and dataset combinations, the highest accuracy of 93.9% was achieved by the ResNet-50 model on the 7-class dataset. Although the proposed labeling method resulted in a slight decrease in classification accuracy, the performance difference remained small even with more classes. These findings indicate that the method is dependable and suitable for practical applications.

🔖

Bu Makaleye Atıf Yap

Altuntaş, Y., Karakuş, Y. (2025). İnce Ayarlanmış CNN’ler ve Belirti-Organ Düzeyinde Etiketleme ile Arazi Görüntülerinden Kayısı Bitkisi Hastalık ve Zararlılarının Tespiti. Meyve Bilimi, Cilt: 12 Sayı: 1, 88–99. https://doi.org/10.51532/meyve.1689356

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Ahmad A, Saraswat D, El Gamal A, 2023. A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools. Smart Agricultural Technology 3(June 2022), 100083. https://doi.org/10.1016/j.atech.2022.100083
  2. Altuntaş Y, Cömert Z, Kocamaz AF, 2019. Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach. Computers and Electronics in Agriculture 163: 104874. https://doi.org/10.1016/j.compag.2019.104874
  3. Altuntaş Y, Kocamaz AF, 2021. Deep Feature Extraction for Detection of Tomato Plant Diseases and Pests based on Leaf Images. Celal Bayar University Journal of Science 17(2): 145–152. https://doi.org/10.18466/cbayarfbe.812375
  4. Ashurov AY, Al-Gaashani MSAM, Samee NA, Alkanhel R, Atteia G, Abdallah HA, Saleh Ali Muthanna M, 2024. Enhancing plant disease detection through deep learning: a Depthwise CNN with squeeze and excitation integration and residual skip connections. Frontiers in Plant Science 15: 1–16. https://doi.org/10.3389/fpls.2024.1505857
  5. Falaschetti L, Manoni L, Di Leo D, Pau D, Tomaselli, V, Turchetti C, 2022. A CNN-based image detector for plant leaf diseases classification. HardwareX 12: e00363. https://doi.org/10.1016/j.ohx.2022.e00363.
  6. Ferentinos KP, 2018. Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture 145: 311–318. https://doi.org/10.1016/j.compag.2018.01.009
  7. He K, Girshick R, Dollar P, 2019. Rethinking imageNet pre-training. Proceedings of the IEEE International Conference on Computer Vision 2019-Octob(ii): 4917–4926. https://doi.org/10.1109/ICCV.2019.00502
  8. He K, Zhang X, Ren S, Sun J, 2016. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 770–778.
  9. Kornblith S, Shlens J, Le QV, 2019. Do Better ImageNet Models Transfer Better? Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2661–2671.
  10. Krizhevsky A, Sutskever I, Hinton GE, 2017. ImageNet classification with deep convolutional neural networks. Communications of the ACM 60(6): 84–90. https://doi.org/10.1145/3065386
  11. Lecun Y, Bengio Y, Hinton G, 2015. Deep learning. Nature 521(7553): 436–444. https://doi.org/10.1038/nature14539
  12. Liu J, Wang X, 2021. Plant diseases and pests detection based on deep learning: a review. Plant Methods 17(1): 1–18. https://doi.org/10.1186/s13007-021-00722-9
  13. Mohanty SP, Hughes DP, Salathé M, 2016. Using deep learning for image-based plant disease detection. Frontiers in Plant Science 7: 1–10. https://doi.org/10.3389/fpls.2016.01419
  14. Moupojou E, Tagne A, Retraint F, Tadonkemwa A, Wilfried D, Tapamo H, Nkenlifack M, 2023. FieldPlant: A Dataset of Field Plant Images for Plant Disease Detection and Classification With Deep Learning. IEEE Access 11: 35398–35410. https://doi.org/10.1109/ACCESS.2023.3263042
  15. Murphy KP, 2012. Machine learning: a probabilistic perspective. The MIT Press.
  16. Perumal VK, Supriyaa T, Santhosh PR, Dhanasekaran S, 2024. CNN based plant disease identification using PYNQ FPGA. Systems and Soft Computing 6: 200088. https://doi.org/10.1016/j.sasc.2024.200088
  17. Shafik W, Tufail A, De Silva Liyanage C, Apong RAAHM, 2024. Using transfer learning-based plant disease classification and detection for sustainable agriculture. BMC Plant Biology 24(1): 1–19. https://doi.org/10.1186/s12870-024-04825-y
  18. Shoaib M, Sadeghi-Niaraki A, Ali F, Hussain I, Khalid S, 2025. Leveraging deep learning for plant disease and pest detection: a comprehensive review and future directions. Frontiers in Plant Science 16: 1–19. https://doi.org/10.3389/fpls.2025.1538163
  19. Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A, 2015. Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 1–9.
  20. Tarım ve Orman Bakanlığı, 2022. Kayısı entegre mücadele teknik talimatı [Technical guidelines for the integrated control of apricot pests and diseases] (in Turkish).
  21. Too EC, Yujian L, Njuki S, Yingchun L, 2019. A comparative study of fine-tuning deep learning models for plant disease identification. Computers and Electronics in Agriculture 161: 272–279. https://doi.org/10.1016/j.compag.2018.03.032
  22. Tugrul B, Elfatimi E, Eryigit R, 2022. Convolutional Neural Networks in Detection of Plant Leaf Diseases: A Review. Agriculture (Switzerland) 12(8). https://doi.org/10.3390/agriculture12081192
  23. Turkoglu M, Hanbay K, Sarac Sivrikaya I, Hanbay D, 2020. Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 334–345. https://doi.org/10.17798/bitlisfen.562101
  24. Turkoglu, M., Yanikoğlu, B., Hanbay, D. (2022). PlantDiseaseNet: convolutional neural network ensemble for plant disease and pest detection. Signal, Image and Video Processing 16(2): 301–309. https://doi.org/10.1007/s11760-021-01909-2
  25. Wei XS, Song YZ, Aodha O Mac, Wu J, Peng Y, Tang J, Yang J, Belongie S, 2022. Fine-Grained Image Analysis With Deep Learning: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence 44(12): 8927–8948. https://doi.org/10.1109/TPAMI.2021.3126648
  26. Yao X, Lin H, Bai D, Zhou H, 2024. A Small Target Tea Leaf Disease Detection Model Combined with Transfer Learning. Forests 15(4). https://doi.org/10.3390/f15040591