KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 2

Domates yapraklarında hastalık tespiti için önerilen hafif evrişimli sinir ağı ile önceden eğitilmiş ağların performans karşılaştırması

İrem Nur ECEMİŞ
Hamza O.İLHAN
Sayfa
693–706
Yayın Tarihi
2022-10-07
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)

Eğitim zamanı ve sınıflandırma performansları göz önünde bulundurulduğunda, önerilen T-LeafNet ağının, test edilen diğer ağlara kıyasen daha kısa süre ve az kaynakla, yüksek performans verdiği gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Domateslerde oluşan hastalıkların çoğu yaprakların gözlemlenmesi ile belirlenebilir.
📊
Temel Bulgular & Veri:Yaprakların sağlığının korunması domateslerin de verimliliğini artıracağından, yaprak gelişimlerinin gözlemlenmesi, olası hastalık risklerinin önceden doğru ve hızlı tespitinin yapılması bir gerekliliktir.
💡
Sonuç & Katkı:Eğitim zamanı ve sınıflandırma performansları göz önünde bulundurulduğunda, önerilen T-LeafNet ağının, test edilen diğer ağlara kıyasen daha kısa süre ve az kaynakla, yüksek performans verdiği gözlemlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Domates Yaprağı Hastalık Tespiti · Evrişimli Sinir Ağları · Veri Çoğaltma

Özet

Domateslerde oluşan hastalıkların çoğu yaprakların gözlemlenmesi ile belirlenebilir. Bu nedenle domates yapraklarının gözlemlenmesi, sebze yetiştiriciliğinde kritik bir öneme sahiptir. Yaprakların üzerinde bulunan izler, renk değişimleri, kıvrıklık vb. hastalığı ya da hastalık riski oluşturabilecek bir virüsü işaret edebilir. Yaprakların sağlığının korunması domateslerin de verimliliğini artıracağından, yaprak gelişimlerinin gözlemlenmesi, olası hastalık risklerinin önceden doğru ve hızlı tespitinin yapılması bir gerekliliktir. Önerilen çalışmada, domates bitkisinin yapraklarında oluşan 9 farklı hastalığı ve sağlıklı yaprakları tespit edebilen "T-LeafNet" Evrişimsel Sinir Ağı (ESA-CNN) modeli önerilmiştir. Önerilen ağ sıfırdan eğitilerek sınıflandırma başarısı ölçülmüştür. Ayrıca, öğrenme aktarımı (transfer learning) kapsamında hazır ağ modellerinden MobileNetV2, AlexNet ve VGG16 mimarileri de veri kümesi üzerinde test edilmiş ve sonuçlar karşılaştırılmıştır. Testler orjinal ve artırılmış veriler üzerinde farklı öğrenme katsayıları ile uygulanarak, veri artırma ve öğrenme katsayı parametresinin başarıma etkisi de incelenmiştir. T-LeafNet, AlexNet, MobileNetV2 ve VGG16 ağlarının en yüksek sınıflandırma performansları %97,32, %98,32, %99,1 ve %99,21 olarak ölçülmüştür. Eğitim zamanı ve sınıflandırma performansları göz önünde bulundurulduğunda, önerilen T-LeafNet ağının, test edilen diğer ağlara kıyasen daha kısa süre ve az kaynakla, yüksek performans verdiği gözlemlenmiştir.

🔖

Bu Makaleye Atıf Yap

ECEMİŞ, İ. N., O.İLHAN, H. (2022). Domates yapraklarında hastalık tespiti için önerilen hafif evrişimli sinir ağı ile önceden eğitilmiş ağların performans karşılaştırması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 2, 693–706. https://ajindex.com/articles/667481

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. TEPGE, “Tarım Ürünleri Piyasaları,” Ankara, Haziran 2021.
  2. Mokhtar U., Bendary N.E., Hassenian A.E., Emary E., Mahmoud M.A., Hefny H., Tolba M.F., SVM-Based Detection of Tomato Leaves Diseases, Intelligent Systems'2014, Warsaw-Poland, 641-652, 24-26 Eylül, 2014.
  3. Zhang K., Wu Q., Liu A., Meng X., Can Deep Learning Identify Tomato Leaf Disease?, Advances in Multimedia, 2018, 1-10, 2018.
  4. He K., Zhang X., Ren S., Sun J., Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas-NV-USA, 770-778, 27-30 Haziran, 2016.
  5. Krizhevsky A., Sutskever I., Hinton G.E., ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 25: 26th Annual Conference on Neural Information Processing Systems 2012 (NIPS 2012), Lake Tahoe-Nevada-USA, 84-90, 3-6 Aralık, 2012.
  6. Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A., Going Deeper with Convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston-MA-USA, 1-9, 7-12 Haziran, 2015.
  7. Kingma D., Ba J., Adam: A method for stochastic optimization, 3rd International Conference on Learning Representations (ICLR) 2015, San Diego-CA-USA, 7-9 Mayıs, 2015.
  8. Wagle S.A., R. H., A Deep Learning-Based Approach in Classification and Validation of Tomato Leaf Disease, Traitement du Signal, 38 (3), 699-709, 2021.
  9. David P. Hughes, Marcel Salathe. An open access repository of images on plant health to enable the development of mobile disease diagnostics through machine learning and crowdsourcing. https://arxiv.org/abs/1511.08060. Yayın tarihi Kasım 25, 2015. Güncelleme tarihi Nisan 12, 2016. Erişim tarihi Eylül 22, 2021.
  10. Simonyan K., Zisserman A., Very Deep Convolutional Networks for Large-Scale Image Recognition, 3rd International Conference on Learning Representations (ICLR) 2015, San Diego-CA-USA, 7-9 Mayıs, 2015.
  11. Sandler M., Howard A., Zhu M., Zhmoginov A., Chen L.-C., MobileNetV2: Inverted Residuals and Linear Bottlenecks, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake City-UT-USA, 4510-4520, 18-23 Haziran, 2018.
  12. Forrest N. Iandola, Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, Kurt Keutzer. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and Wu Y., Xu L., Goodman E.D., Tomato Leaf Disease Identification and Detection Based on Deep Convolutional Neural Network, Intelligent Autom