Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDeneysel sonuçlar, çalışmada kullanılan hibrit yaklaşımın geleneksel derin öğrenme modellerine göre daha etkili olduğunu ortaya koymuştur.
📌 3 Maddede Bu Makale
Özet
Ayçiçeği, ekonomik değeri yüksek ve süs amaçlı da kullanılan bir bitki türüdür. Ancak ayçiçeği yapraklarında görülen çeşitli hastalıklar üretimi aksatabilmekte ve üreticilerin bu hastalıkları geleneksel yaklaşımlarla tespit etmesi zor olmaktadır. Bu nedenle yapraklarda görülen hastalıkları otomatik olarak tespit edebilen görüntü tabanlı yapay zeka yaklaşımlarına ihtiyaç duyulmuştur. Bu çalışmada, hem görüntü tabanlı hem de yapay zeka destekli olarak ayçiçeği yapraklarında görülen hastalıkları tespit edebilen bir sistem geliştirilmiştir. Çalışma dört aşamadan oluşmaktadır. İlk aşamada herkese açık bir veri seti kullanılmış ve tarafımızca ek veriler toplanmıştır. İkinci aşamada görüntü işleme yapılmıştır. Üçüncü aşamada CNN (Evrişimli Sinir Ağı), ViT (Görüntü Dönüştürücü) ve CNN-ViT modelleri tasarlanmıştır. Son aşamada bu modellerin performansları değerlendirilmiş ve başarıları doğruluk, duyarlılık, kesinlik, F1 skoru, Cohen Kappa ve Hamming kayıp metrikleriyle belirlenmiştir. Deneysel sonuçlar, çalışmada kullanılan hibrit yaklaşımın geleneksel derin öğrenme modellerine göre daha etkili olduğunu ortaya koymuştur.
Abstract
Sunflower is a crop type that has high economic value and is also used for ornamental purposes. However, various diseases seen on sunflower leaves can disrupt production and it is difficult for growers to identify these diseases with traditional approaches. Therefore, the need for image-based artificial intelligence approaches that can automatically identify diseases seen on leaves has arisen. In this study, a system that can detect diseases seen on sunflower leaves, both image-based and artificial intelligence-supported, has been developed. The study consists of four stages. In the first stage, a publicly available dataset was used, and additional data was collected by us. In the second stage, image processing was performed. In the third stage, CNN (Convolutional Neural Network), ViT (Vision Transformer) and CNN-ViT models were designed. In the last stage, the performances of these models were evaluated, and their success was determined by accuracy, recall, precision, F1-score, Cohen Kappa and Hamming loss metrics. Experimental results revealed that the hybrid approach used in the study was more effective than traditional deep learning models.