KaydedilenlerDerginizi ekleyin

Dergiler / MANTAR DERGİSİ / 2026 / Cilt: 15 Sayı: 1

Agaricus bisporus’ta Görüntü Tabanlı Hastalık Sınıflandırması için Kapsamlı Veri Seti

Comprehensive Dataset for Image-Based Disease Classification in Agaricus bisporus

Ümit Albayrak(SELÇUK ÜNİVERSİTESİ)0000-0002-7942-7191
Adem Gölcük(SELÇUK ÜNİVERSİTESİ)0000-0002-6734-5906
Sinan Aktaş(SELÇUK ÜNİVERSİTESİ)0000-0003-1657-5901
Sayfa
29–42
Yayın Tarihi
2024-04-30
🏛️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)

Kültür mantarlarında yaygın görülen 4 farklı sınıf hastalık gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu makale, Agaricus bisporus (J.E.
📊
Temel Bulgular & Veri:Veri seti, sağlıklı ve farklı hastalık sınıflarına ait görüntüleri içermektedir.
💡
Sonuç & Katkı:Kültür mantarlarında yaygın görülen 4 farklı sınıf hastalık gözlemlenmiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:7250 adet
⚙️Değişkenler:Agaricus bisporus · Kültür Mantarı Hastalıkları · Görüntü Veri Seti

Özet

Bu makale, Agaricus bisporus (J.E. Lange) Imbach’un kültüründe görülen hastalıkların sınıflandırması için görüntü tabanlı bir veri seti oluşturulması ve analiz edilmesi üzerine yapılan bir araştırmayı ele almaktadır. Veri seti, sağlıklı ve farklı hastalık sınıflarına ait görüntüleri içermektedir. Farklı aydınlatma koşullarında elde edilen görüntüler, ayrı bir sınıflandırma problemi için kullanılabilecek uygunlukta veriler sunmaktadır. Bu araştırma, mantar hastalıklarının tanımlanması ve sınıflandırılması için kullanılabilecek bir veri setinin oluşturulması, hastalıkların otomatik olarak tanımlanması ve sınıflandırılmasını mümkün kılacak derin öğrenme veya diğer makine öğrenmesi tekniklerinin kullanılmasına imkân sağlayacaktır. Veri setinin oluşturulması sürecinde, çalışma kapsamında geliştirilmiş olan taşınabilir mantar görüntüleme sistemi ile mantar işletmeleri ziyaretleri gerçekleştirilmiş; yaklaşık 7250 adet hastalıklı mantar, 1800 adet de sağlıklı mantar görüntüsü elde edilmiştir (Her bir aydınlatma ortamı için yaklaşık 3000 adet). Kültür mantarlarında yaygın görülen 4 farklı sınıf hastalık gözlemlenmiştir. Her bir mantar 3 farklı aydınlatma ortamında görüntülenmiştir.

Abstract

This article discusses a study on creating and analyzing an image-based dataset for for the classification of diseases seen in culture of the Agaricus bisporus (J.E. Lange) Imbach species. The dataset includes images of healthy and different disease classes. Images obtained under different lighting conditions provide suitable data that can be used for a separate classification problem. This research will enable the creation of a data set that can be used to identify and classify fungal diseases and the use of deep learning or other machine learning techniques that will enable automatic identification and classification of diseases. During the creation of the data set, mushroom businesses were visited with the portable mushroom imaging system developed within the scope of the study; Approximately 7250 diseased mushrooms and 1800 healthy mushroom images were obtained (Approximately 3000 for each lighting environment). Four different classes of diseases that are common in cultivated mushrooms have been observed. Each mushroom was viewed under 3 different lighting conditions.

🔖

Bu Makaleye Atıf Yap

Albayrak, Ü., Gölcük, A., Aktaş, S. (2024). Agaricus bisporus’ta Görüntü Tabanlı Hastalık Sınıflandırması için Kapsamlı Veri Seti. MANTAR DERGİSİ, Cilt: 15 Sayı: 1, 29–42. https://doi.org/10.30708/mantar.1452976

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Aggarwal, C. C. (2014). Data classification: Algorithms and applications. Içinde Data Classification: Algorithms and Applications. CRC Press. https://doi.org/10.1201/b17320
  2. Ali, J., Khan, R., Ahmad, N., ve Maqsood, I. (2012). Random Forests and Decision Trees. www.IJCSI.org
  3. Alkan, S., Kaşık, G., ve Akın, İ. (2022). Bazı Yenilebilir Doğal Basidiomycota Türlerinin Mineral Bileşimleri ve Morfolojik Karakterizasyonları. Mantar Dergisi, 13(3), 32-40. https://doi.org/10.30708/Mantar.1205591
  4. Bellettini, M. B., Bellettini, S., Fiorda, F. A., Pedro, A. C., Bach, F., Fabela-Morón, M. F., ve Hoffmann-Ribani, R. (2018). Diseases and pests noxious to Pleurotus spp. mushroom crops. Revista Argentina de Microbiología, 50(2), 216-226. https://doi.org/10.1016/J.RAM.2017.08.007
  5. Büyükarıkan, B., ve Ülker, E. (2023). Convolutional neural network-based apple images classification and image quality measurement by light colors using the color-balancing approach. Multimedia Systems, 29(3), 1651-1661. https://doi.org/10.1007/S00530-023-01084-Z/Fıgures/5
  6. Cubero, S., Aleixos, N., Moltó, E., Gómez-Sanchis, J., ve Blasco, J. (2011). Advances in Machine Vision Applications for Automatic Inspection and Quality Evaluation of Fruits and Vegetables. Food and Bioprocess Technology, 4(4), 487-504. https://doi.org/10.1007/S11947-010-0411-8/TABLES/3
  7. Doğan, F., ve Türkoğlu, İ. (2018). The Comparison Of Leaf Classification Performance Of Deep Learning Algorithms. Sakarya Unıversıty Journal Of Computer And Informatıon Scıences, 1.
  8. Eren, E., ve Pekşen, A. (2019). Türkiye’de Kültür Mantarı Üretimi ve Teknolojik Gelişmeler. The Journal of Fungus, 10(3), 225-233. https://doi.org/10.30708/Mantar.649141
  9. Fazil Fayaz Wani, Z. A., W. A. Dar, H. G., ve Sheikh, P. A. (2021). Diseases of White Button Mushroom (Agaricus bisporus)- A Potential Threat to Mushroom Industry. International Journal of Current Microbiology and Applied Sciences, 10(2), 2076-2085. https://doi.org/10.20546/IJCMAS.2021.1002.247
  10. Ghorai, S., Banik, S. P., Verma, D., Chowdhury, S., Mukherjee, S., ve Khowala, S. (2009). Fungal biotechnology in food and feed processing. Food Research International, 42(5-6), 577-587. https://doi.org/10.1016/J.FOODRES.2009.02.019
  11. Golcuk, A., ve Yasar, A. (2023). Classification of bread wheat genotypes by machine learning algorithms. Journal of Food Composition and Analysis, 119, 105253. https://doi.org/10.1016/J.JFCA.2023.105253
  12. Golcuk, A., Yasar, A., Saritas, M. M., ve Erharman, A. (2023). Classification of Cicer arietinum varieties using MobileNetV2 and LSTM. European Food Research and Technology, 249(5), 1343-1350. https://doi.org/10.1007/S00217-023-04217-W/TABLES/3
  13. Gómez-Sanchis, J., Moltó, E., Camps-Valls, G., Gómez-Chova, L., Aleixos, N., ve Blasco, J. (2008). Automatic correction of the effects of the light source on spherical objects. An application to the analysis of hyperspectral images of citrus fruits. Journal of Food Engineering, 85(2), 191-200. https://doi.org/10.1016/J.JFOODENG.2007.06.036
  14. Hornberg, Alexander. (2017). Handbook of Machine and Computer Vision: the Guide for Developers and Users. John Wiley ve Sons, Incorporated. https://books.google.com/books/about/Handbook_of_Machine_and_Computer_Vision.html?hl=tr&id=Ax0jDgAAQBAJ
  15. Jogin, M., Mohana, Madhulika, M. S., Divya, G. D., Meghana, R. K., ve Apoorva, S. (2018). Feature extraction using convolution neural networks (CNN) and deep learning. 2018 3rd IEEE International Conference on Recent Trends in Electronics, Information and Communication Technology, RTEICT 2018 - Proceedings, 2319-2323. https://doi.org/10.1109/RTEICT42901.2018.9012507
  16. Kaşık, G. (2010). Mantar Bilimi. Marifet Matbaa ve Kağıtçılık.
  17. Kecman, V. (2005). Support Vector Machines – An Introduction. 1-47. https://doi.org/10.1007/10984697_1
  18. Kramer, O. (2013). K-Nearest Neighbors. 13-23. https://doi.org/10.1007/978-3-642-38652-7_2
  19. Öztürk, C., ve Kaşık, G. (2000). Kültür Mantarı (Agaricus bisporus)Yetiştiriciliği. Marifet Matbaa ve Kağıtcılık.
  20. Pasban, A., Mohebbi, M., Pourazarang, H., ve Varidi, M. (2014). Effects of endemic hydrocolloids and xanthan gum on foaming properties of white button mushroom puree studied by cluster analysis: A comparative study. Journal of Taibah University for Science, 8(1), 31-38. https://doi.org/10.1016/J.JTUSCI.2013.09.004
  21. Rajput, A. S., Shukla, S., ve Thakur, S. S. (2023). SoyNet: A high-resolution Indian soybean image dataset for leaf disease classification. Data in Brief, 49, 109447. https://doi.org/10.1016/J.DIB.2023.109447
  22. Sesli, E., Asan, A. ve Selçuk, F. (edlr.) Abacı Günyar, Ö., Akata, I., Akgül, H., Aktaş, S., Alkan, S., Allı, H., Aydoğdu, H., Berikten, D., Demirel, K., Demirel, R., Doğan, H.H., Erdoğdu, M., Ergül, C.C., Eroğlu, G., Giray, G., Halikî Uztan, A., Kabaktepe, Ş., Kadaifçiler, D., Kalyoncu, F., Karaltı, İ., Kaşık, G., Kaya, A., Keleş, A., Kırbağ, S., Kıvanç, M., Ocak, İ., Ökten, S., Özkale, E., Öztürk, C., Sevindik, M., Şen, B., Şen, İ., Türkekul, İ., Ulukapı, M., Uzun, Ya., Uzun, Yu.,Yoltaş, A. (2020). Türkiye Mantarları Listesi. İstanbul: Ali Nihat Gökyiğit Vakfı Yayınları. TÜİK. (2023). TÜİK Bitkisel Üretim Verileri. https://biruni.tuik.gov.tr/medas/.
  23. Wang, F., Zheng, J., Tian, X., Wang, J., Niu, L., ve Feng, W. (2018). An automatic sorting system for fresh white button mushrooms based on image processing. Computers and Electronics in Agriculture, 151, 416-425. https://doi.org/10.1016/J.COMPAG.2018.06.022
  24. Yasar, A., Golcuk, A., ve Sari, O. F. (2023). Classification of bread wheat varieties with a combination of deep learning approach. European Food Research and Technology, 250(1), 181-189. https://doi.org/10.1007/S00217-023-04375-X/Tables/5
  25. Zahan, N., Hasan, M. Z., Uddin, M. S., Hossain, S., ve Islam, S. F. (2022). A deep learning-based approach for mushroom diseases classification. Application of Machine Learning in Agriculture, 191-212. https://doi.org/10.1016/B978-0-323-90550-3.00005-9
  26. Hornberg, Alexander. (2017). Handbook of Machine and Computer Vision: the Guide for Developers and Users. John Wiley ve Sons, Incorporated. https://books.google.com/books/about/Handbook_of_Machine_and_Computer_Vision.html?hl=tr&id=Ax0jDgAAQBAJ