Derin öğrenme teknikleri kullanılarak bitki yaprağı görüntüleri üzerinden tür ve olası hastalık tespiti

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: İREM NUR ECEMİŞ

Danışman: Hamza Osman İlhan

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Olası hastalıkların bitki görsellerinden doğru şekilde belirlenmesi ile erken müdahale olanağının sunulması tarım alanındaki gelişmelere katkı sağlayacak, daha verimli üretimler yapılmasını sağlayacaktır. Üretim sürecinde üretimi engelleyici sebeplerden biri de mahsul ürünleri üzerinde oluşan bitki hastalıklarıdır. Hazırlanan bu tezde, "PlantVillage Dataset" isimli açık erişim veri kümesinden tez kapsamında elma, kiraz, mısır, üzüm, şeftali, dolma biber, çilek ve domates bitkilerine ait yaprak görüntüleri kullanılmıştır. Elma, mısır ve üzüm bitkilerine ait 3'er adet; kiraz, şeftali, dolma biber ve çilek bitkilerine ait 1'er adet ve son olarak domates bitkisinden 9 adet yaprak sınıf hastalığı seçilmiştir. Tek aşamalı çalışma için DS1 olarak isimlendirilen veri kümesi ile 30 sınıflı eğitim yapılarak bitki yaprak tür ve hastalıklarının doğru sınıflandırılması hedeflenmiştir. Tez kapsamında önerilen iki aşamalı analiz yaklaşımının ilk aşaması için DS2_1 ismiyle oluşturulan veri kümesinde, bitkilerin "sağlıklı" ve "sağlıksız" sınıfına ait görüntüler üzerinde 16 sınıflık bir eğitim süreci gerçekleştirilmiştir. İkinci aşamada ise birden fazla hastalığa sahip bitkilerin hastalıklı sınıfları, bitki türüne göre kümelendirilerek her bitki türü için veri kümeleri oluşturulmuş ve ayrı ayrı eğitilerek modeller oluşturulmuştur. Bu kapsamda elma, mısır, üzüm ve domates bitkilerinin hastalıklarının bulunduğu veri kümeleri sırasıyla DS2_2e, DS2_2m, DS2_2ü ve DS2_2d olarak isimlendirilmiştir. Bu veri kümeleri, ikinci aşamayı temsilen DS2_2 olarak adlandırılmıştır. DS2_1 ve DS2_2 kullanılarak oluşturulan modeller 30 sınıf yapısında ortak gösterim ile değerlendirilmiştir. Tek aşamalı analiz yaklaşımında deneysel sonuçlar neticesinde DenseNet169, DenseNet201, VGG16, ResNet50V2 ve ResNet152V2 modelleri için sırasıyla %94,55, %94,32, %93,44, %94,03 ve %93,67 doğruluk değerleri ve iki aşamalı analiz için aynı modellerle %95,88, %94,74, %95,1, %96,2 ve %95,97 değerleri ölçülmüştür. Sunulan çalışmada iki aşamalı gerçekleştirilen deneysel sonuçların tek aşamalı modele göre daha yüksek doğruluk sonuçları verdiği görülmüştür.