Bitki
hastalıklarının hızlı ve doğru teşhisi için makine öğrenmesine dayalı
yaklaşımlar kullanılmaktadır. Son zamanlarda derin öğrenme yaklaşımı bitki
türleri ve hastalıkları tanıma ile ilgili problemlerde de kullanılmaktadır. Bu
çalışmada, kayısı hastalıklarının tespiti için Derin Evrişimsel Sinir Ağlarına
(DESA) dayalı bir model önerilmiştir. Bu model, Evrişim, Relu, Normalizasyon,
Havuzlama ve tam bağlı katmanlardan oluşmaktadır. Önerilen model için evrişim
katmanlarında kullanılan filtrelerin pencere boyutu 3×3, 5×5, 7×7, 9×9 ve 11×11
olmak üzere beş farklı filtre çeşitleri kullanılarak deneysel çalışmalar
gerçekleştirilmiştir. Önerilen çalışmayı test etmek için Bingöl ve İnönü
Üniversitelerinin Ziraat Fakültelerinin çalışma alanlarından elde edilen kayısı
hastalıklarından oluşan görüntüler kaydedilip kapsamlı bir veri tabanı inşa
edilmiştir. Geliştirilen derin ağ modeli bu veri tabanı üzerinde test
edilmiştir. Gerçekleştirilen deneysel sonuçlara göre, kayısı hastalıklarının
tespiti için önerilen derin ağ modeli diğer geleneksel görüntü
tanımlayıcılarına göre daha yüksek sınıflandırma başarısı elde edildiği gözlemlenmiştir.
Bitki Hastalık Tespiti Derin Öğrenme Kayısı Hastalık Görüntüleri Evrişimsel Sinir Ağları Geleneksel görüntü tanımlayıcıları.
Bingöl Üniversitesi Bilimsel Araştırma Projeleri (BAP) Birimi
BAP-MMF.2018.00.004
Bu çalışma Bingöl Üniversitesi Bilimsel Araştırma Projeleri programı tarafından desteklenmiştir (Proje Numarası: BAP-MMF.2018.00.004).
Machine
learning approaches are used for fast and accurate diagnosis of plant diseases.
Recently, deep learning approach has been used in plant species and disease
recognition problems. In this study, a model based on Deep Convolutional Neural Networks (CNN)
was proposed for the detection of apricot diseases. The developed model consists
of Convolution, Relu, Normalization, Pooling, and fully connected layers. For the
proposed model, experimental studies were carried out using five different
filter types as 3×3, 5×5, 7×7, 9×9 and 11×11 window size of the filters used in
convolution layers. In order to test the proposed study, a comprehensive
database was constructed using the images of apricot diseases obtained from the
study areas of the Faculty of Agriculture of the Bingöl and İnönü Universities.
The developed deep network model has been tested on this database. According to
the experimental results carried out, it was observed that the proposed deep a network model for the detection of apricot diseases had a higher classification
success than other traditional image descriptors.
Plant Disease Detection Deep Learning Apricot Disease Images Convolutional Neural Networks Conventional Image Identifiers
BAP-MMF.2018.00.004
Birincil Dil | Türkçe |
---|---|
Bölüm | Araştırma Makalesi |
Yazarlar | |
Proje Numarası | BAP-MMF.2018.00.004 |
Yayımlanma Tarihi | 13 Mart 2020 |
Gönderilme Tarihi | 8 Mayıs 2019 |
Kabul Tarihi | 16 Ekim 2019 |
Yayımlandığı Sayı | Yıl 2020 Cilt: 9 Sayı: 1 |