Domates yapraklarında hastalık tespiti için önerilen hafif evrişimli sinir ağı ile önceden eğitilmiş ağların performans karşılaştırması

Yıl 2023, , 693 - 706, 07.10.2022

İrem Nur Ecemiş , Hamza O.ilhan

https://doi.org/10.17341/gazimmfd.1003730

Öz

Domateslerde oluşan hastalıkların çoğu yaprakların gözlemlenmesi ile belirlenebilir. Bu nedenle domates yapraklarının gözlemlenmesi, sebze yetiştiriciliğinde kritik bir öneme sahiptir. Yaprakların üzerinde bulunan izler, renk değişimleri, kıvrıklık vb. hastalığı ya da hastalık riski oluşturabilecek bir virüsü işaret edebilir. Yaprakların sağlığının korunması domateslerin de verimliliğini artıracağından, yaprak gelişimlerinin gözlemlenmesi, olası hastalık risklerinin önceden doğru ve hızlı tespitinin yapılması bir gerekliliktir. Önerilen çalışmada, domates bitkisinin yapraklarında oluşan 9 farklı hastalığı ve sağlıklı yaprakları tespit edebilen "T-LeafNet" Evrişimsel Sinir Ağı (ESA-CNN) modeli önerilmiştir. Önerilen ağ sıfırdan eğitilerek sınıflandırma başarısı ölçülmüştür. Ayrıca, öğrenme aktarımı (transfer learning) kapsamında hazır ağ modellerinden MobileNetV2, AlexNet ve VGG16 mimarileri de veri kümesi üzerinde test edilmiş ve sonuçlar karşılaştırılmıştır. Testler orjinal ve artırılmış veriler üzerinde farklı öğrenme katsayıları ile uygulanarak, veri artırma ve öğrenme katsayı parametresinin başarıma etkisi de incelenmiştir. T-LeafNet, AlexNet, MobileNetV2 ve VGG16 ağlarının en yüksek sınıflandırma performansları %97,32, %98,32, %99,1 ve %99,21 olarak ölçülmüştür. Eğitim zamanı ve sınıflandırma performansları göz önünde bulundurulduğunda, önerilen T-LeafNet ağının, test edilen diğer ağlara kıyasen daha kısa süre ve az kaynakla, yüksek performans verdiği gözlemlenmiştir.

Anahtar Kelimeler

Domates Yaprağı Hastalık Tespiti, Evrişimli Sinir Ağları, Veri Çoğaltma, Yaprak Sınıflandırması, Öğrenme Aktarımı

Kaynakça

• TEPGE, “Tarım Ürünleri Piyasaları,” Ankara, Haziran 2021.
• Mokhtar U., Bendary N.E., Hassenian A.E., Emary E., Mahmoud M.A., Hefny H., Tolba M.F., SVM-Based Detection of Tomato Leaves Diseases, Intelligent Systems'2014, Warsaw-Poland, 641-652, 24-26 Eylül, 2014.
• Zhang K., Wu Q., Liu A., Meng X., Can Deep Learning Identify Tomato Leaf Disease?, Advances in Multimedia, 2018, 1-10, 2018.
• He K., Zhang X., Ren S., Sun J., Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas-NV-USA, 770-778, 27-30 Haziran, 2016.
• Krizhevsky A., Sutskever I., Hinton G.E., ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 25: 26th Annual Conference on Neural Information Processing Systems 2012 (NIPS 2012), Lake Tahoe-Nevada-USA, 84-90, 3-6 Aralık, 2012.
• Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A., Going Deeper with Convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston-MA-USA, 1-9, 7-12 Haziran, 2015.
• Kingma D., Ba J., Adam: A method for stochastic optimization, 3rd International Conference on Learning Representations (ICLR) 2015, San Diego-CA-USA, 7-9 Mayıs, 2015.
• Wagle S.A., R. H., A Deep Learning-Based Approach in Classification and Validation of Tomato Leaf Disease, Traitement du Signal, 38 (3), 699-709, 2021.
• David P. Hughes, Marcel Salathe. An open access repository of images on plant health to enable the development of mobile disease diagnostics through machine learning and crowdsourcing. https://arxiv.org/abs/1511.08060. Yayın tarihi Kasım 25, 2015. Güncelleme tarihi Nisan 12, 2016. Erişim tarihi Eylül 22, 2021.
• Simonyan K., Zisserman A., Very Deep Convolutional Networks for Large-Scale Image Recognition, 3rd International Conference on Learning Representations (ICLR) 2015, San Diego-CA-USA, 7-9 Mayıs, 2015.
• Sandler M., Howard A., Zhu M., Zhmoginov A., Chen L.-C., MobileNetV2: Inverted Residuals and Linear Bottlenecks, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake City-UT-USA, 4510-4520, 18-23 Haziran, 2018.
• Forrest N. Iandola, Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, Kurt Keutzer. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size. https://arxiv.org/abs/1602.07360. Yayın tarihi Şubat 24, 2016. Güncelleme tarihi Kasım 4, 2016. Erişim tarihi Eylül 22, 2021.
• Wu Y., Xu L., Goodman E.D., Tomato Leaf Disease Identification and Detection Based on Deep Convolutional Neural Network, Intelligent Automation & Soft Computing, 28 (2), 561-576, 2021.
• Tan L., Lu J., Jiang H., Tomato Leaf Diseases Classification Based on Leaf Images: A Comparison between Classical Machine Learning and Deep Learning Methods, AgriEngineering, 3 (3), 542-558, 2021.
• Barbedo, J.G.A., A novel algorithm for semi-automatic segmentation of plant leaf disease symptoms using digital image processing, Tropical Plant Pathology, 41, 210-224, 2016.
• Pearline S.A., Kumar S., Harini S., A study on plant recognition using conventional image processing and deep learning approaches, Journal of Intelligent & Fuzzy Systems, 36, 1-8, 2019.
• Munisami T., Ramsurn M., Kishnah S., Pudaruth S., Plant leaf recognition using shape features and colour histogram with k-nearest neighbour classifiers, Procedia Computer Science (Elsevier), 58, 740-747, 2015.
• Wu S.G., Bao F.S., Xu E.Y., Wang Y.-X., Chang Y.-F., Xiang Q.-L., A leaf recognition algorithm for plant classification using probabilistic neural network, 2007 IEEE International Symposium on Signal Processing and Information Technology, Le Meridien Pyramids-Cairo-Egypt, 11-16, 15-18 Aralık, 2007.
• Söderkvist, O., Computer vision classification of leaves from swedish trees, Master Tezi, Linköping University, Department of Electrical Engineering, Computer Vision, Linköping University, The Institute of Technology, İsveç, 2001.
• Mohanty S.P., Hughes D.P., Salathé M., Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 7, 2016.
• Zaki S.Z.M., Zulkifley M.A., Stofa M.M., Kamari N.A.M., Mohamed N.A., Classification of tomato leaf diseases using MobileNet V2, IAES International Journal of Artificial Intelligence (IJ-AI), 9(2), 290-296, 2020.
• Hasan M., Tanawala B., Patel K.J., Deep Learning Precision Farming: Tomato Leaf Disease Detection by Transfer Learning, SSRN Electronic Journal, 2019.
• Şafak E., Doğru İ., Barışçı N., Toklu S., Derin öğrenme kullanılarak nesnelerin interneti tabanlı mobil sürücü yorgunluk tespiti, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (4), 1869-1882, 2022.
• Karasulu B., Yücalar F., Borandağ E., İnsan kulağı görüntüleri kullanarak cinsiyet tanıma için derin öğrenme tabanlı melez bir yaklaşım, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (3), 1579-1594, 2022.
• Duman B., Özsoy K., Toz yatak füzyon birleştirme eklemeli imalatta kusur tespiti için öğrenme aktarımı kullanan derin öğrenme tabanlı bir yaklaşım, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (1), 361-376, 2021.
• Kohavi R., A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection, International Joint Conference on Artificial Intelligence (IJCAI), 14, 1137-1145, 1995.
• Shorten, C., Khoshgoftaar, T.M., A survey on Image Data Augmentation for Deep Learning, Journal of Big Data, 6 (1), 1-48, 2019.
• Chen Y., Jiang H., Li C., Jia X., Ghamisi P., Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks, IEEE Transactions on Geoscience and Remote Sensing, 54 (10), 6232–6251, 2016.
• Wang S.-H., Xie S., Chen X., Guttery D.S., Tang C., Sun J., Zhang Y.-D., Alcoholism Identification Based on an AlexNet Transfer Learning Model, Frontiers in Psychiatry, 10, 2019.
• Wu Y., Qin X., Pan Y., Yuan C., Convolution Neural Network based Transfer Learning for Classification of Flowers, 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP), Shenzhen-China, 562-566, 13- 15 Temmuz, 2018.
• Ilhan H.O., Sigirci I.O., Serbes G., Aydin N., A fully automated hybrid human sperm detection and classification system based on mobile-net and the performance comparison with conventional methods, Medical & Biological Engineering & Computing, 58 (5), 1047-1068, 2020.
• Pawara P., Okafor E., Surinta O., Schomaker L., Wiering M., Comparing Local Descriptors and Bags of Visual Words to Deep Convolutional Neural Networks for Plant Recognition, 6th International Conference on Pattern Recognition Applications and Methods, Porto-Portugal, 479-486, 24 Şubat, 2017.
• Deng J., Dong W., Socher R., Li L.-J, Li K., Li F.-F., ImageNet: A large-scale hierarchical image database, 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami-FL-USA, 248-255, 20-25 Haziran, 2009.
• Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H., MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, https://arxiv.org/abs/1704.04861. Yayın tarihi Nisan 17, 2017. Erişim tarihi Eylül 22, 2021.
• Agarwal M., Singh A., Arjaria S., Sinha A., Gupta S., Toled:Tomato leaf disease detection using convolution neural network, Procedia Computer Science (Elsevier), 167, 293–301, 2020.
• Dankers F.J.W.M., Traverso A., Wee L., van Kuijk S.M.J., Prediction Modeling Methodology, Fundamentals of Clinical Data Science, Editör: Kubben P., Dumontier M., Dekker A., Springer International Publishing, Cham (CH), 101-120, 2019.
• Fırıldak K., Talu M.F., Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi, Bilgisayar Bilimleri, 4 (2), 88-95, 2019.
• MATLAB Version 9.8.0.1323502 (R2020a), The Mathworks, Inc., Natick, Massachusetts (2020).