Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightGerçekleştirilen bu çalışma, transfer öğrenme yöntemlerinin hastalıklı ve sağlıklı limon yapraklarını etkili bir şekilde ayırt edebildiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Ağaç ve bitkilerde yaprak hastalıkları, tarımsal ürünlerin verimini doğrudan etkileyen önemli faktörlerdir. Bu sorun, çiftçilerin üretim kapasitelerinin ve karlılık düzeylerinin düşmesine neden olabilmektedir. Bu nedenle bitki hastalıklarını doğru bir şekilde tespit edebilmek için bilgisayar destekli tespit ve sınıflandırma sistemlerine ihtiyaç duyulmaktadır. Son yıllarda öğrenme algoritmaları ve görüntü işleme teknikleri tarım sektöründe etkin bir şekilde kullanılmaktadır. Bu çalışmada, limon yaprağı görüntülerinden oluşan bir veri kümesi üzerinde transfer öğrenme ve veri artırma yöntemlerinin etkinliği incelenerek hastalıklı ve sağlıklı limon yaprağı görüntüleri sınıflandırılması işlemi yapılmaktadır. Çalışmamızda VGG16, ResNet50 ve DenseNet201 transfer öğrenme yöntemleri hem veri artırımlı hem de artırımsız olarak uygulanmış ve veri artırmanın performansa etkisi değerlendirilmiştir. Kullanılan derin transfer öğrenme yöntemleri arasında en yüksek doğruluk oranını %98,29 ile DenseNet201 vermiştir. Gerçekleştirilen bu çalışma, transfer öğrenme yöntemlerinin hastalıklı ve sağlıklı limon yapraklarını etkili bir şekilde ayırt edebildiğini göstermektedir. Veri artırmanın her zaman performans iyileşmesi sağlamadığı da gözlemlenmiştir. Gelecekteki çalışmalarda derin transfer öğrenme yöntemleri farklı sınıf sayılarına sahip bitkilerde uygulanarak veri artırmanın etkisinin daha etkili bir şekilde değerlendirilmesinin uygun olacağı öngörülmektedir.
Abstract
Leaf diseases in trees and plants are important factors that directly affect the yield of agricultural products. This problem may cause a decrease in the production capacity and profitability of farmers. For this reason, computer-aided detection and classification systems are needed to accurately detect plant diseases. In recent years, learning algorithms and image-processing techniques have been used effectively in the agricultural sector. In this study, the efficiency of transfer learning and data augmentation methods on a dataset consisting of lemon leaf images is examined and the classification of diseased and healthy lemon leaf images is performed. In our study, VGG16, ResNet50, and DenseNet201 transfer learning methods were applied both with and without data increment, and the effect of data augmentation on performance was evaluated. Among the deep transfer learning methods used, DenseNet201 gave the highest accuracy rate with 98.29%. This study shows that transfer learning methods can effectively distinguish between diseased and healthy lemon leaves. It has also been observed that data augmentation does not always provide performance improvement. In future studies, it is predicted that it will be appropriate to evaluate the effect of data augmentation more effectively by applying deep transfer learning methods to plants with different class numbers.