Sürdürülebilir Tarımda Hafif Derin Öğrenme ve Hibrit Makine Öğrenmesi Yaklaşımları İle Optimize Edilmiş Yaprak Hastalığı Tespiti

Abstract

Küresel iklim değişikliği ve nüfus artışı, tarımsal üretimde sürdürülebilirliği ve gıda arzı güvenliğini kritik bir boyuta taşımıştır. Bitki ve mahsul yapraklarında meydana gelen hastalıklar, rekolte miktarını ve gıda kalitesini doğrudan tehdit eden temel unsurların başında gelmektedir. Geleneksel hastalık teşhis yöntemleri insan hatasına açık, maliyetli ve zaman alıcıdır. Son yıllarda derin öğrenme tabanlı evrişimli sinir ağları (CNN) bu problemin çözümünde yüksek başarım göstermiş olsa da, bu modellerin uçtan uca (end-to-end) eğitimi ve çalıştırılması yüksek hesaplama gücü (GPU) ve uzun işlem süreleri gerektirmektedir. Bu durum, internet ve gelişmiş donanım altyapısının kısıtlı olduğu kırsal tarım alanlarında akıllı sistemlerin kullanımını zorlaştırmaktadır. Bu çalışmada, düşük hesaplama maliyetine sahip ve bilgisayar işlemcisi (CPU) kullanan, hiperparametre optimizasyonlu hibrit bir yapay zeka mimarisi önerilmiştir. Önerilen yöntemde, ImageNet veri seti ile önceden eğitilmiş MobileNetV2 mimarisi sadece bir öznitelik çıkarıcı (feature extractor) olarak kullanılmış ve görüntüler 1280 boyutlu sayısal vektörlere indirgenmiştir. Elde edilen öznitelikler, 3-katlamalı çapraz doğrulama (3-Fold Cross-Validation) destekli Izgara Araması (GridSearchCV) ile optimize edilen Destek Vektör Makineleri (SVM), Rastgele Orman (RF) ve XGBoost algoritmaları ile sınıflandırılmıştır. Bu işlemler ayrıca MobileNetV3 mimarisi ile tekrarlanmıştır. Deneysel sonuçlar, önerilen MobileNetV3+SVM hibrit modelinin minimum işlem zamanı ve donanım kaynağı ile yüksek bir sınıflandırma başarımı sunduğunu göstermiştir. Geliştirilen hafif mimari, tarımsal alanlarda mobil ve uç bilişim cihazlarına entegre edilebilir bir potansiyele sahiptir.

Keywords

• Akıllı tarım
• Derin öznitelik çıkarımı
• Hibrit modeller
• Hiperparametre optimizasyonu

Project Number

proje yok

Ethical Statement

Bu araştırmada hayvanlar ve insanlar üzerinde herhangi bir çalışma yapılmadığı için etik kurul onayı alınmamıştır.

Thanks

Bu çalışmayı destekleyen ve rehberlik sağlayan Marmara Üniversitesi Mühendislik Fakültesi Öğretim Üyesi Prof. Dr. Cabir VURAL’a teşekkürlerimi sunarım.

Optimized Leaf Disease Detection in Sustainable Agriculture Using Lightweight Deep Learning and Hybrid Machine Learning Approaches

Abstract

Global climate change and population growth have made sustainability in agricultural production and food supply security critical. Diseases affecting plant and crop leaves are among the primary factors directly threatening yield and food quality. Traditional disease diagnosis methods are prone to human error, costly, and time-consuming. Although deep learning-based convolutional neural networks (CNNs) have shown high performance in solving this problem in recent years, end-to-end training and execution of these models require high computational power (GPU) and long processing times. This makes the use of intelligent systems difficult in rural agricultural areas where internet and advanced hardware infrastructure are limited. In this study, a hybrid artificial intelligence architecture with low computational cost, CPU usage, and hyperparameter optimization is proposed. In the proposed method, the MobileNetV2 architecture, pre-trained with the ImageNet dataset, is used only as a feature extractor, and the images are reduced to 1280-dimensional digital vectors. The obtained features were classified using Support Vector Machines (SVM), Random Forest (RF), and XGBoost algorithms optimized with GridSearchCV supported by 3-Fold Cross-Validation. These processes were also repeated with the MobileNetV3 architecture. Experimental results showed that the proposed MobileNetV3+SVM hybrid model offers high classification performance with minimum processing time and hardware resources. The developed lightweight architecture has the potential to be integrated into mobile and edge computing devices in agricultural settings.

Keywords

• Smart agriculture
• Deep feature extraction
• Hybrid models
• Hyperparameter optimization

Project Number

proje yok

References

1. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
2. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/bf00994018
3. Food and Agriculture Organization of the United Nations. (2024). The state of food and agriculture 2024: Moving forward on agrifood systems transformation. https://doi.org/10.4060/cd2431en
4. Hughes, D. P., & Salathé, M. (2015). An open access repository of images on plant health to enable the development of mobile disease diagnostics. arXiv preprint arXiv:1511.08060.
5. Patel, M., Tanwar, S., Jindal, A., Alshammari, N., Pervaiz, H., & Ahmed, H. (2024). A blockchain-based predictive maintenance scheme for smart agriculture. In 2024 IEEE/ACM 17th International Conference on Utility and Cloud Computing (UCC) (pp. 405–410). IEEE.
6. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4510–4520). IEEE.
7. Savaş, S. (2024). Application of deep ensemble learning for palm disease detection in smart agriculture. Heliyon, 10(17), Article e37141. https://doi.org/10.1016/j.heliyon.2024.e37141
8. SinghDhaka, V., Kundu, N., Rani, G., Zumpano, E., & Vocaturo, E. (2023). Role of Internet of Things and deep learning techniques in plant disease detection and classification: A focused review. Sensors, 23(18), Article 7877. https://doi.org/10.3390/s23187877

9. Thakur, A., Sharma, S., & Thapar, P. (2024). A comprehensive review of plant disease detection and analysis using machine learning techniques. In 2024 7th International Conference on Contemporary Computing and Informatics (IC3I). IEEE.