Araştırma Makalesi
BibTex RIS Kaynak Göster

Derin Öğrenme Yöntemleri ile Bitki Yaprakları Üzerindeki Hastalıkların Sınıflandırılması

Yıl 2022, Sayı: 40, 151 - 155, 30.09.2022
https://doi.org/10.31590/ejosat.1181081

Öz

Teknolojik olarak ileriye gittiğimiz günümüz dünyasında tarımsal faaliyetlerin verimli hale getirilmesi her geçen gün daha da çok zaman harcıyoruz. Elimizdeki kaynakları teknolojik yöntemler ile destekleyerek bu harcadığımız zamanı kısaltabiliriz. Bilgisayarlı görü ve derin öğrenme yöntemlerinin etkin olarak işletilmesi ile eğitilen modelleri kullanarak yapacağımız her bir tahmin ile bitkinin hastalığını teşhis edebiliriz. Görüntü tabanlı sınıflandırma algoritmaları olan daha önceden farklı amaçlar için eğitilmiş modellerin bizim problemimiz için kullanıldığında ne gibi sonuçlar almışız onu inceliyor olacağız. Adına aktarımlı (transfer) öğrenme dediğimiz bu yöntem ve topladığımız veri setinin verdiği sonuçları, bize şimdiki çalışma ve gelecekteki çalışmalar için nasıl daha etkili yöntemlere ihtiyaç var sorusunun cevabını verecektir.

Destekleyen Kurum

İzmir Katip Çelebi Üniversitesi Fen Bilimleri Enstitüsü

Teşekkür

Emeği geçen herkese teşekkür ederiz.

Kaynakça

  • Mohanty, S. P. (2016). Plant Science. Using Deep Learning for Image Based Plant Disease Detection.
  • Sk. Mahmudul Hassan, A. K. (2021). Electronics. Identification of Plant Leaf Diseases Using CNN and Transfer Learning Approach.
  • Ünal, Z. (2017). A Bibliographical Analysis. Smart Farming Becomes Even Smarter with Learning.
  • Vu, K. (2021, 27 September). Computer Vision in Agriculture [Blog yazısı]. Erişim adresi: https://www.kdnuggets.com/2021/09/computer-vision-agriculture.html
  • Lexi, A. (2020, 28 January). Image Classification with Pytorch Transfer Learning [Github]. Erişim adresi: https://github.com/LexiAM/ image-classification-with-pytorch-transfer-learning
  • Kızrak, A. (2019, 20 December). Ölçeklendirme ile CNN Modelinin Doğruluk ve Verimliliği Artırma: EfficientNet [Blog yazısı]. Erişim adresi: https://ayyucekizrak.medium.com/%C3%B6l%C3%A7eklendirme-ile-cnn-modelinin-do%C4%9Fruluk-ve-verimlili%C4%9Fini-art%C4%B1rma-efficientnet-cb6f2b6512de
  • Kızrak, A. (2018, 28 May). Derine Daha Derine: Evirişimli Sinir Ağları [Blog yazısı]. Erişim adresi: https://ayyucekizrak.medium.com/deri%CC%87ne-daha-deri%CC%87ne-evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-2813a2c8b2a9#:~:text=VGG%2D16,1000%20s%C4%B1n%C4%B1fl%C4%B1%20softmax%20ba%C5%9Far%C4%B1m%C4%B1%20hesaplan%C4%B1r.
  • Çilek, Ş. (2021, 9 August). ResNet(Residual Network) Nedir? [Blog yazısı]. Erişim adresi: https://suhedacilek.medium.com/resnet-residual-network-nedir-49105e642566
  • Papers with Code. (2021, 12 February). DenseNet. Erişim adresi: https://paperswithcode.com/model/densenet?variant=densenet-161
  • Wikipedia. (2022, 8 September). AlexNet. Erişim adresi: https://en.wikipedia.org/wiki/AlexNet

Deep Learning Based Plant Diseases Classification

Yıl 2022, Sayı: 40, 151 - 155, 30.09.2022
https://doi.org/10.31590/ejosat.1181081

Öz

In today’s world, where we move forward technologically, we spend more and more time to make agricultural activities efficient. We can shorten the time we spend by supporting the resources we have with technological methods. We can diagnose the disease of the plant with each prediction we make using models trained by the effective operation of computer vision and deep learning methods. We will be examining what results we have obtained when the models, which are image-based classification algorithms, were used for our problem, which were previously trained for different purposes. This method, which we call transfer learning, and the results of the dataset we collect, will give us the answer to the question of how more effective methods are needed for current and future studies.

Kaynakça

  • Mohanty, S. P. (2016). Plant Science. Using Deep Learning for Image Based Plant Disease Detection.
  • Sk. Mahmudul Hassan, A. K. (2021). Electronics. Identification of Plant Leaf Diseases Using CNN and Transfer Learning Approach.
  • Ünal, Z. (2017). A Bibliographical Analysis. Smart Farming Becomes Even Smarter with Learning.
  • Vu, K. (2021, 27 September). Computer Vision in Agriculture [Blog yazısı]. Erişim adresi: https://www.kdnuggets.com/2021/09/computer-vision-agriculture.html
  • Lexi, A. (2020, 28 January). Image Classification with Pytorch Transfer Learning [Github]. Erişim adresi: https://github.com/LexiAM/ image-classification-with-pytorch-transfer-learning
  • Kızrak, A. (2019, 20 December). Ölçeklendirme ile CNN Modelinin Doğruluk ve Verimliliği Artırma: EfficientNet [Blog yazısı]. Erişim adresi: https://ayyucekizrak.medium.com/%C3%B6l%C3%A7eklendirme-ile-cnn-modelinin-do%C4%9Fruluk-ve-verimlili%C4%9Fini-art%C4%B1rma-efficientnet-cb6f2b6512de
  • Kızrak, A. (2018, 28 May). Derine Daha Derine: Evirişimli Sinir Ağları [Blog yazısı]. Erişim adresi: https://ayyucekizrak.medium.com/deri%CC%87ne-daha-deri%CC%87ne-evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-2813a2c8b2a9#:~:text=VGG%2D16,1000%20s%C4%B1n%C4%B1fl%C4%B1%20softmax%20ba%C5%9Far%C4%B1m%C4%B1%20hesaplan%C4%B1r.
  • Çilek, Ş. (2021, 9 August). ResNet(Residual Network) Nedir? [Blog yazısı]. Erişim adresi: https://suhedacilek.medium.com/resnet-residual-network-nedir-49105e642566
  • Papers with Code. (2021, 12 February). DenseNet. Erişim adresi: https://paperswithcode.com/model/densenet?variant=densenet-161
  • Wikipedia. (2022, 8 September). AlexNet. Erişim adresi: https://en.wikipedia.org/wiki/AlexNet
Toplam 10 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Furkan Alp Esen 0000-0002-2157-3057

Aytuğ Onan 0000-0002-9434-5880

Erken Görünüm Tarihi 26 Eylül 2022
Yayımlanma Tarihi 30 Eylül 2022
Yayımlandığı Sayı Yıl 2022 Sayı: 40

Kaynak Göster

APA Esen, F. A., & Onan, A. (2022). Derin Öğrenme Yöntemleri ile Bitki Yaprakları Üzerindeki Hastalıkların Sınıflandırılması. Avrupa Bilim Ve Teknoloji Dergisi(40), 151-155. https://doi.org/10.31590/ejosat.1181081