Detection of Mealybugs Disease Using Artificial Intelligence Methods

Abstract

Today, the need for agricultural lands has increased even more due to the increasing population density. For this reason, increasing the yield of crops in agricultural areas becomes a very important need. It is very important to minimize the pests that negatively affect plant productivity in agricultural areas. In the study, it was aimed to detect the mealybug disease, which negatively affects plant productivity in agricultural areas, by using artificial intelligence methods. 539 disease-bearing and disease-free plant images collected from open access websites were used. These images are classified by VGG-16, Resnet-34 and Squeezenet deep learning algorithms. The most successful among the three architectures was determined as the VGG-16 and ResNet-34 model with an accuracy rate of 97%.

Keywords

• Deep Learning
• Classification
• Mealy Lice Disease

References

1. Tanrikulu, Y. (2019). Organik tarımda zararlılarla mücadele yöntemleri (Master'sthesis, Fen Bilimleri Enstitüsü).
2. Uzundumlu, A. S. (2012). Tarım sektörünün ülke ekonomisindeki yeri ve önemi. Alinteri Journal of Agriculture Science, 22(1), 34-44.
3. Direk, M. (2012). Tarım tarihi ve deontoloji. Eğitim Yayınevi.
4. Uzun, Y., Bilban, M., & Arıkan, H. Tarım ve Kırsal Kalkınmada Yapay Zekâ Kullanımı.
5. Bozüyük, T., Yağci, C., Gökçe, İ., & Akar G. (2005). Yapay Zekâ Teknolojilerinin Endüstrideki Uygulamaları.
6. Bodenheimer, F. S. (1953). The Coccoidea of Turkey III. Revue de la Facultédes Sciences de l'Universitéd'Istanbul (Ser. B)., 18, 91-164.
7. Williams, D. J., & Granara de Willink, M. C. (1992). Mealybugs of Central and South America (No. QL527. P83 W71).
8. Uygun, N., & Satar, S. (2008). The current situation of citruspests and their control methods in Turkey. IOBC-WPRS Bulletin, 38, 2-9.

9. Aydın İl Tarım ve Orman Müdürlüğühttps://aydin.tarimorman.gov.tr/Haber/271/Turuncgil-Bahcelerinde-Unlu-Bit-Zararlisi-Ile-Mucadele-Zamani-Geldi. [Erişim Tarihi: 22 May 2015]
10. Williams, D. J. (2004). Mealybugs of southern Asia. Natural History Museum jointly with Southdene.
11. Kiliç, E., Ecemiş, İ. N., & İlhan, H. O. (2021, October). Narenciye Ağaç Yaprak Hastalıklarının Evrişimli Sinir Ağları ile Sınıflandırılması. In 2021 5th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 452-456). IEEE.
12. Altaş, Z., Özgüven, M. M., & Yanar, Y. Bitki hastalık ve zararlı düzeylerinin belirlenmesinde görüntü işleme tekniklerinin kullanımı: şeker pancarı yaprak leke hastalığı örneği.
13. Toğaçar, M., Ergen, B., & Özyurt, F. (2020). Evrişimsel Sinir Ağı Modellerinde Özellik Seçim Yöntemlerini Kullanarak Çiçek Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(1), 47-56.
14. Aksoy, B., Halis, H. D., & Salman, O. K. M. (2020). Elma bitkisindeki hastalıkların yapay zekâ yöntemleri ile tespiti ve yapay zekâ yöntemlerinin performanslarının karşılaştırılması. International Journal of Engineering and Innovative Research, 2(3), 194-210.
15. Soydan, O. (2020). Çeltik yanıklığı hastalığının görüntü işleme teknikleri kullanılarak tespit edilmesi (Master'sthesis, Fen Bilimleri Enstitüsü).
16. Altaş, Z., Özgüven, M. M., & Dilmaç, M. Görüntü İşleme Teknikleri ile Bağ Yaprak Uyuzu Hasarının Belirlenmesi. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 10(3), 77-87.
17. Sardoğan Doğan, M. (2019). Bitkilerde görülen hastalıkların derin öğrenme yöntemleriyle tespiti ve sınıflandırılması (Master'sthesis, Fen Bilimleri Enstitüsü).
18. Yaman, O., & Tuncer, T. Bitkilerdeki Yaprak Hastalığı Tespiti için Derin Özellik Çıkarma ve Makine Öğrenmesi Yöntemi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(1), 123-132.
19. Ghoury, S. Konvolüsyonel sinir ağlarını kullanarak üzüm ve üzüm yapraklarının hastalıklarının tespit edilmesi (Master's thesis, Fen Bilimleri Enstitüsü).
20. Özerdem, M. S., & Acar E. (2011). Zambak yaprağı imgelerinde pas hastalıklarının GLCM tabanlı sınıflandırma yöntemleri ile tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 2(2), 95-105.
21. Kızılboğa, A. Y. (2021). Yapay sinir ağları ve derin öğrenme teknikleri kullanılarak elma ve ayvada çeşitli hastalıkların tespit edilmesi (Master'sthesis, Fen Bilimleri Enstitüsü/Bilgisayar Mühendisliği Ana Bilim Dalı).
22. Türkoğlu, M., & Hanbay, D. (2018, September). Apricot disease identification based on attributes obtained from deep learning algorithms. In 2018 International Conference on Artificial Intelligence and Data Processing (IDAP) (pp. 1-4). IEEE.
23. Hayıt, T. (2021). Buğdayda sarı pas (Pucciniastriiformis) hastalığının değerlendirilmesi için görüntü ı̇şleme teknikleri kullanılarak bir karar destek sisteminin geliştirilmesi.
24. Aslan, M. (2021). Derin Öğrenme ile Şeftali Hastalıkların Tespiti. Avrupa Bilim ve Teknoloji Dergisi, (23), 540-546.
25. Yayla, M. (2018). Sympherobius pygmaeus (Rambur) (Neuroptera: Hemerobııdae)un turunçgil bahçelerinde Planococcuscitri (Rissio)(Hemiptera: Pseudococcidae) nin mücadelesine yönelik kullanım olanaklarının araştırılması.
26. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
27. Demir, U., & Ünal, G. (2017, May). Inpainting by deep autoencoders using an advisor network. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
28. Ünay, D. (2020). Meyve ve Sebzelerin Otomatik Sınıflandırılması için Farklı Derin Öğrenme Yöntemlerinin Karşılaştırılmalı Analizi. Turkish Studies-Information Technologies and Applied Sciences, 15(4), 533-544.
29. Doğan, F., & Türkoğlu, İ. (2018). Derin öğrenme algoritmalarının yaprak sınıflandırma başarımlarının karşılaştırılması. Sakarya University Journal of Computer and Information Sciences, 1(1), 10-21.
30. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deepresidual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
31. Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., & Keutzer, K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
32. Özyurt, F., Sert, E. ve Avcı, D. (2020). Beyin tümörü tespiti için uzman bir sistem: Bulanık C-süper çözünürlük ve aşırı öğrenme makinesi ile evrişimli sinir ağı ile araçlar. Tıbbi hipotezler, 134, 109433.
33. Deng X, Liu Q, Deng Y, Mahadevan S. An improved method to construct basic probability assignment based on the confusion matrix for classification problem. Information Sciences. 2016; 340:250-261.
34. Ruuska, S., Hämäläinen, W., Kajava, S., Mughal, M., Matilainen, P., & Mononen, J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural processes, 148, 56-62.
35. Ağın O. & Malaslı, M. Z. (2016). Görüntü işleme tekniklerinin sürdürülebilir tarımdaki yeri ve önemi: Literatür çalışması. Tarım Makinaları Bilimi Dergisi, 12(3), 199-206.
36. Sabancı, K., Aydın, C., & Ünlerşen, M. F. (2012). Görüntü işleme ve yapay sinir ağları yardımıyla patates sınıflandırma parametrelerinin belirlenmesi. Journal of the Institute of Science and Technology, 2(2 Sp: A), 59-62.
37. Kaymak, A. M., Örnek, M. N., & Kahramanlı, H. (2019). Görüntü işleme teknolojilerinin elma bahçelerine yönelik kullanim örneği. Uluborlu Mesleki Bilimler Dergisi, 2(1), 17-26.
38. Kuncan, M., Ertunç, H. M., Küçükyıldız, G., Hızarcı, B., Ocak, H., & Öztürk, S. (2013). Görüntü işleme tabanlı zeytin ayıklama makinesi. Otomatik Kontrol Ulusal Toplantısı, 459-464.
39. Sabancı, K., & Aydın, C. (2014). Görüntü işleme tabanlı hassas ilaçlama robotu. Journal of Agricultural Sciences, 20(4), 406-414.
40. Şin B., & Kadıoğlu İ. (2019). İnsansız Hava Aracı (İHA) ve Görüntü İşleme Teknikleri Kullanılarak Yabancı Ot TespitininYapılması. Turkish Journal of Weed Science, 22(2), 211-217