Elma Yaprak Hastalıklarının Sınıflandırılması için Genetik Algoritma ile Otomatik ESA Mimarisi Tasarımı

Year 2025, Volume: 16 Issue: 1, 49 - 57

Özge Nur Özaras , Asuman Günay Yılmaz , Eyup Gedikli

https://doi.org/10.24012/dumf.1560599

Abstract

Bitki yaprak hastalıklarının erken teşhisi ürün verimi, kalitesi ve sürekliliği için çok önemlidir. Son yıllarda yaprak hastalıklarının teşhisinde evrişimsel sinir ağları (ESA) yüksek başarım göstermektedir. Fakat ESA modeli tasarım sürecinde çok sayıda parametrenin belirlenmesinde çok fazla deney yapılmaktadır ve bu işlem uzman bilgisi gerektirmektedir. Bu durum probleme uygun optimal bir ESA'nın tasarım sürecini zorlaştırmaktadır. Bu çalışmada, elma yaprağı hastalıklarının sınıflandırılması amacıyla genetik algoritma (GA) ile otomatik ESA mimarisi tasarımı önerilmiştir. Önerilen yöntemdeki mimari 3 bileşenden oluşmaktadır: evrişim bloğu, global ortalama havuzlama ve tam bağlantılı katman bloğu. Evrişim bloğu, 3x3 evrişim, aktivasyon fonksiyonu, yığın normalizasyonu ve maksimum havuzlama katmanlarından oluşmaktadır. Tam bağlantılı katman bloğu, tam bağlantılı katman, aktivasyon fonksiyonu ve budama katmanlarını içermektedir. Yöntemde GA ile evrişim bloğu sayısı, filtre sayısı, öğrenme oranı, tam bağlantılı katman ve birimi sayısı, budama oranı ve global ortalama havuzlama kullanımı parametrelerinin optimum değerleri araştırılmıştır. Bu optimum değerlerle ESA modeli otomatik olarak tasarlanmıştır. Üretilen mimari ile elma yaprağı hastalıklarının sınıflandırılmasında %98.58 doğruluk , %98.68 F1-skoru, %98.68 kesinlik ve %98.68 duyarlılık sonuçları elde edilmiştir. Tasarlanan mimarinin performansı SqueezeNet, ShuffleNet ve MobileNetV2 ön eğitimli ağlarıyla karşılaştırılmıştır. Otomatik tasarlanan ESA mimarisinin, daha az parametre sayısı ile, manuel tasarlanmış mimarilerden daha iyi ya da kıyaslanabilir başarım gösterdiği görülmüştür. Ayrıca önerilen yaklaşım farklı veriler için de otomatik olarak evrişimsel sinir ağı modeli tasarımına uygundur.

Keywords

Yaprak hastalığı sınıflandırma, Evrişimsel sinir ağları, genetik algortima

References

• [1] C. Chantrapornchai, S. Kajkamhaeng, P. Romphet, “Micro-architecture design exploration template for AutoML case study on SqueezeSEMAuto,” Scientific Reports 13(1), 2023, 10642.
• [2] W. N. Ismail, H. A. Alsalamah, M. M. Hassan, E. Mohamed, “AUTO-HAR: An adaptive human activity recognition framework using an automated CNN architecture design,” Heliyon 9(2), 2023.
• [3] A. A. Ahmed, S. M. Darwish, “A meta-heuristic automatic CNN architecture design approach based on ensemble learning,” IEEE Access, 9, 2021, pp. 16975-16987.
• [4] J. Liang, H. Cao, Y. Lu, M. Su, “Architecture search of accurate and lightweight CNNs using genetic algorithm,” Genetic Programming and Evolvable Machines, 25(1), 2024, 13.
• [5] A. Al Bataineh, D. Kaur, M. Al-khassaweneh, E. Al-sharoa, “Automated CNN architectural design: A simple and efficient methodology for computer vision tasks,” Mathematics, 11(5), 2023, 1141.
• [6] P. Liashchynskyi, P. Liashchynskyi, “Grid search, random search, genetic algorithm: a big comparison for NAS,” arXiv preprint arXiv:1912.06059, 2019.
• [7] B. Zoph, “Neural Architecture Search with Reinforcement Learning,” arXiv preprint arXiv:1611.01578, 2016.
• [8] V. Lopes, L. A. Alexandre, “HMCNAS: Neural architecture search using hidden Markov chains and Bayesian optimization.” arXiv preprint arXiv:2007.16149, 2020.
• [9] X. Yao, Y. Liu, “A new evolutionary system for evolving artificial neural networks,” IEEE transactions on neural networks 8(3), 1997, pp. 694-713.
• [10] E. Dufourq, B. A. Bassett, “Eden: Evolutionary deep networks for efficient machine learning,” In 2017 Pattern Recognition Association of South Africa and Robotics and Mechatronics (PRASA-RobMech) IEEE, 2017 November, pp. 110-115.
• [11] B. Zoph, V. Vasudevan, J. Shlens, Q. V. Le, “Learning transferable architectures for scalable image recognition,” In Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 8697-8710.
• [12] A. Gülcü, Z. Kuş, “A survey of hyper-parameter optimization methods in Convolutional neural networks,” Gazi Üniversitesi Fen Bilimleri Dergisi, 7(2), 2019, 503-522.
• [13] Y. Sun, B. Xue, M. Zhang, G. G. Yen, “Completely automated CNN architecture design based on blocks,” IEEE transactions on neural networks and learning systems, 31(4), 2019. pp. 1242-1254.
• [14] A. Meena, G. V. Reddy, D. P. Chavali, “Accelerated CNN Training with Genetic Algorithm,” In 2024 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (IATMSI) Vol. 2 IEEE, 2024, March, pp. 1-6.
• [15] B. Rogers, N. Noman, S. Chalup, P. Moscato, “A comparative analysis of deep neural network architectures for sentence classification using genetic algorithm,” Evolutionary Intelligence, 17(3), 2024, 1933-1952.
• [16] Y. Nagaraju, S. Swetha, S. Stalin, “Apple and grape leaf diseases classification using transfer learning via fine-tuned classifier,” IEEE International Conference on Machine Learning and Applied Network Technologies, 2020, December, pp. 1-6.
• [17] H. Çetiner, “Classification of Apple Leaf Diseases Using Convolutional Neural Network Approach,” Mühendislik Bilimleri ve Tasarım Dergisi , 2021, s. 1130 – 1140.
• [18] S. B. Reddy, S. Neeraja, “Plant leaf disease classification and damage detection system using deep learning models,” Multimedia Tools and Applications, 2022. pp. 24021-24040.
• [19] P. K. Pradhan, “Comparison of various deep convolutional neural network models to discriminate apple leaf diseases using transfer learning,” Journal of Plant Diseases and Protection 129(6), 2022, pp. 1461-1473.
• [20] F. O. Babalola, N. I Kpai, Ö. Toygar, “Deep Learning Based Classification of Apple Leaf Diseases Using AlexNet,” Computer Science IDAP-2023, 2023, pp. 67-74.
• [21] N. Upadhyay, “Diagnosis of fungi affected apple crop disease using improved ResNeXt deep learning model,” Multimedia Tools and Applications, 2024, pp. 1-20.
• [22] P. Rawat, S. K. Singh, “Apple Leaf Disease Detection Using Transfer Learning,” In 2024 International Conference on Integrated Circuits and Communication Systems (ICICACS) IEEE, 2024, pp. 1-6.
• [23] Acar, E., Ertugrul, O. F., Aldemir, E., & Oztekin, A. (2022). Automatic identification of cassava leaf diseases utilizing morphological hidden patterns and multi-feature textures with a distributed structure-based classification approach. Journal of Plant Diseases and Protection, 129(3), 605-621.
• [24] Mahum, R., Munir, H., Mughal, Z. U. N., Awais, M., Sher Khan, F., Saqlain, M., ... & Tlili, I. (2023). A novel framework for potato leaf disease detection using an efficient deep learning model. Human and Ecological Risk Assessment: An International Journal, 29(2), 303-326.
• [25] Singh, P., Singh, P., Farooq, U., Khurana, S. S., Verma, J. K., & Kumar, M. (2023). CottonLeafNet: cotton plant leaf disease detection using deep neural networks. Multim. Tools Appl., 82(24), 37151-37176.
• [26] D. P Hughes, M Salathe , “An open-access repository of images on plant health to enable the development of mobile disease diagnostics,”, arXiv preprint arXiv:1511.08060, 2015.
• [27] F. N. Iandola, “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and<0.5 MB model size,” arXiv preprint arXiv:1602.07360, 2016.
• [28] X. Z. Zhang, “Shufflenet: An extremely efficient convolutional neural network for mobile devices,” In Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 6848-6856.
• [29] H. Jin, Y. Yang, “L-Net: lightweight and fast object detector-based ShuffleNetV2,” J Real-Time Image Proc, 2021.
• [30] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, L. C. Chen, “Mobilenetv2: Inverted residuals and linear bottlenecks,”. In Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4510-4520.
• [31] R. R. Indraswari, “Melanoma image classification based on MobileNetV2 network,” Procedia computer science 197, 2022, pp. 198-207.