Comprehensive Dataset for Image-Based Disease Classification in Agaricus bisporus

Year 2024, , 29 - 42, 30.04.2024

Ümit Albayrak , Adem Gölcük , Sinan Aktaş

https://doi.org/10.30708/mantar.1452976

Abstract

This article discusses a study on creating and analyzing an image-based dataset for for the classification of diseases seen in culture of the Agaricus bisporus (J.E. Lange) Imbach species. The dataset includes images of healthy and different disease classes. Images obtained under different lighting conditions provide suitable data that can be used for a separate classification problem. This research will enable the creation of a data set that can be used to identify and classify fungal diseases and the use of deep learning or other machine learning techniques that will enable automatic identification and classification of diseases. During the creation of the data set, mushroom businesses were visited with the portable mushroom imaging system developed within the scope of the study; Approximately 7250 diseased mushrooms and 1800 healthy mushroom images were obtained (Approximately 3000 for each lighting environment). Four different classes of diseases that are common in cultivated mushrooms have been observed. Each mushroom was viewed under 3 different lighting conditions.

Keywords

Agaricus bisporus, Cultured Fungal Diseases, Image Dataset, Image Classification

Agaricus bisporus’ta Görüntü Tabanlı Hastalık Sınıflandırması için Kapsamlı Veri Seti

Abstract

Bu makale, Agaricus bisporus (J.E. Lange) Imbach’un kültüründe görülen hastalıkların sınıflandırması için görüntü tabanlı bir veri seti oluşturulması ve analiz edilmesi üzerine yapılan bir araştırmayı ele almaktadır. Veri seti, sağlıklı ve farklı hastalık sınıflarına ait görüntüleri içermektedir. Farklı aydınlatma koşullarında elde edilen görüntüler, ayrı bir sınıflandırma problemi için kullanılabilecek uygunlukta veriler sunmaktadır. Bu araştırma, mantar hastalıklarının tanımlanması ve sınıflandırılması için kullanılabilecek bir veri setinin oluşturulması, hastalıkların otomatik olarak tanımlanması ve sınıflandırılmasını mümkün kılacak derin öğrenme veya diğer makine öğrenmesi tekniklerinin kullanılmasına imkân sağlayacaktır. Veri setinin oluşturulması sürecinde, çalışma kapsamında geliştirilmiş olan taşınabilir mantar görüntüleme sistemi ile mantar işletmeleri ziyaretleri gerçekleştirilmiş; yaklaşık 7250 adet hastalıklı mantar, 1800 adet de sağlıklı mantar görüntüsü elde edilmiştir (Her bir aydınlatma ortamı için yaklaşık 3000 adet). Kültür mantarlarında yaygın görülen 4 farklı sınıf hastalık gözlemlenmiştir. Her bir mantar 3 farklı aydınlatma ortamında görüntülenmiştir.

Keywords

Agaricus bisporus, Kültür Mantarı Hastalıkları, Görüntü Veri Seti, Görüntü Sınıflandırma

Ethical Statement

Bu çalışmanın hazırlanma sürecinde bilimsel ve etik ilkelere uyulduğu ve yararlanılan tüm çalışmaların kaynakçada belirtildiği beyan olunur. (Ümit ALBAYRAK, Adem GÖLCÜK, Sinan AKTAŞ)

Thanks

Bu çalışmada, veri toplama sürecinde mantar işletmeleri ile iletişimimiz konusunda desteklerini esirgemeyen Emekli Öğretmen Mehmet Taşçı’ya, Konya Büyükşehir Belediyesi Ziraat Yüksek Mühendisi Yusuf Akdemir’e ve ziyaret edilen tüm mantar üretim tesisi işletmecilerine teşekkür ederiz.

References

• Aggarwal, C. C. (2014). Data classification: Algorithms and applications. Içinde Data Classification: Algorithms and Applications. CRC Press. https://doi.org/10.1201/b17320
• Ali, J., Khan, R., Ahmad, N., ve Maqsood, I. (2012). Random Forests and Decision Trees. www.IJCSI.org
• Alkan, S., Kaşık, G., ve Akın, İ. (2022). Bazı Yenilebilir Doğal Basidiomycota Türlerinin Mineral Bileşimleri ve Morfolojik Karakterizasyonları. Mantar Dergisi, 13(3), 32-40. https://doi.org/10.30708/Mantar.1205591
• Bellettini, M. B., Bellettini, S., Fiorda, F. A., Pedro, A. C., Bach, F., Fabela-Morón, M. F., ve Hoffmann-Ribani, R. (2018). Diseases and pests noxious to Pleurotus spp. mushroom crops. Revista Argentina de Microbiología, 50(2), 216-226. https://doi.org/10.1016/J.RAM.2017.08.007
• Büyükarıkan, B., ve Ülker, E. (2023). Convolutional neural network-based apple images classification and image quality measurement by light colors using the color-balancing approach. Multimedia Systems, 29(3), 1651-1661. https://doi.org/10.1007/S00530-023-01084-Z/Fıgures/5
• Cubero, S., Aleixos, N., Moltó, E., Gómez-Sanchis, J., ve Blasco, J. (2011). Advances in Machine Vision Applications for Automatic Inspection and Quality Evaluation of Fruits and Vegetables. Food and Bioprocess Technology, 4(4), 487-504. https://doi.org/10.1007/S11947-010-0411-8/TABLES/3
• Doğan, F., ve Türkoğlu, İ. (2018). The Comparison Of Leaf Classification Performance Of Deep Learning Algorithms. Sakarya Unıversıty Journal Of Computer And Informatıon Scıences, 1.
• Eren, E., ve Pekşen, A. (2019). Türkiye’de Kültür Mantarı Üretimi ve Teknolojik Gelişmeler. The Journal of Fungus, 10(3), 225-233. https://doi.org/10.30708/Mantar.649141
• Fazil Fayaz Wani, Z. A., W. A. Dar, H. G., ve Sheikh, P. A. (2021). Diseases of White Button Mushroom (Agaricus bisporus)- A Potential Threat to Mushroom Industry. International Journal of Current Microbiology and Applied Sciences, 10(2), 2076-2085. https://doi.org/10.20546/IJCMAS.2021.1002.247
• Ghorai, S., Banik, S. P., Verma, D., Chowdhury, S., Mukherjee, S., ve Khowala, S. (2009). Fungal biotechnology in food and feed processing. Food Research International, 42(5-6), 577-587. https://doi.org/10.1016/J.FOODRES.2009.02.019
• Golcuk, A., ve Yasar, A. (2023). Classification of bread wheat genotypes by machine learning algorithms. Journal of Food Composition and Analysis, 119, 105253. https://doi.org/10.1016/J.JFCA.2023.105253
• Golcuk, A., Yasar, A., Saritas, M. M., ve Erharman, A. (2023). Classification of Cicer arietinum varieties using MobileNetV2 and LSTM. European Food Research and Technology, 249(5), 1343-1350. https://doi.org/10.1007/S00217-023-04217-W/TABLES/3
• Gómez-Sanchis, J., Moltó, E., Camps-Valls, G., Gómez-Chova, L., Aleixos, N., ve Blasco, J. (2008). Automatic correction of the effects of the light source on spherical objects. An application to the analysis of hyperspectral images of citrus fruits. Journal of Food Engineering, 85(2), 191-200. https://doi.org/10.1016/J.JFOODENG.2007.06.036
• Hornberg, Alexander. (2017). Handbook of Machine and Computer Vision : the Guide for Developers and Users. John Wiley ve Sons, Incorporated. https://books.google.com/books/about/Handbook_of_Machine_and_Computer_Vision.html?hl=tr&id=Ax0jDgAAQBAJ
• Jogin, M., Mohana, Madhulika, M. S., Divya, G. D., Meghana, R. K., ve Apoorva, S. (2018). Feature extraction using convolution neural networks (CNN) and deep learning. 2018 3rd IEEE International Conference on Recent Trends in Electronics, Information and Communication Technology, RTEICT 2018 - Proceedings, 2319-2323. https://doi.org/10.1109/RTEICT42901.2018.9012507
• Kaşık, G. (2010). Mantar Bilimi. Marifet Matbaa ve Kağıtçılık.
• Kecman, V. (2005). Support Vector Machines – An Introduction. 1-47. https://doi.org/10.1007/10984697_1
• Kramer, O. (2013). K-Nearest Neighbors. 13-23. https://doi.org/10.1007/978-3-642-38652-7_2
• Öztürk, C., ve Kaşık, G. (2000). Kültür Mantarı (Agaricus bisporus)Yetiştiriciliği. Marifet Matbaa ve Kağıtcılık.
• Pasban, A., Mohebbi, M., Pourazarang, H., ve Varidi, M. (2014). Effects of endemic hydrocolloids and xanthan gum on foaming properties of white button mushroom puree studied by cluster analysis: A comparative study. Journal of Taibah University for Science, 8(1), 31-38. https://doi.org/10.1016/J.JTUSCI.2013.09.004
• Rajput, A. S., Shukla, S., ve Thakur, S. S. (2023). SoyNet: A high-resolution Indian soybean image dataset for leaf disease classification. Data in Brief, 49, 109447. https://doi.org/10.1016/J.DIB.2023.109447
• Sesli, E., Asan, A. ve Selçuk, F. (edlr.) Abacı Günyar, Ö., Akata, I., Akgül, H., Aktaş, S., Alkan, S., Allı, H., Aydoğdu, H., Berikten, D., Demirel, K., Demirel, R., Doğan, H.H., Erdoğdu, M., Ergül, C.C., Eroğlu, G., Giray, G., Halikî Uztan, A., Kabaktepe, Ş., Kadaifçiler, D., Kalyoncu, F., Karaltı, İ., Kaşık, G., Kaya, A., Keleş, A., Kırbağ, S., Kıvanç, M., Ocak, İ., Ökten, S., Özkale, E., Öztürk, C., Sevindik, M., Şen, B., Şen, İ., Türkekul, İ., Ulukapı, M., Uzun, Ya., Uzun, Yu.,Yoltaş, A. (2020). Türkiye Mantarları Listesi. İstanbul: Ali Nihat Gökyiğit Vakfı Yayınları. TÜİK. (2023). TÜİK Bitkisel Üretim Verileri. https://biruni.tuik.gov.tr/medas/.
• Wang, F., Zheng, J., Tian, X., Wang, J., Niu, L., ve Feng, W. (2018). An automatic sorting system for fresh white button mushrooms based on image processing. Computers and Electronics in Agriculture, 151, 416-425. https://doi.org/10.1016/J.COMPAG.2018.06.022
• Yasar, A., Golcuk, A., ve Sari, O. F. (2023). Classification of bread wheat varieties with a combination of deep learning approach. European Food Research and Technology, 250(1), 181-189. https://doi.org/10.1007/S00217-023-04375-X/Tables/5
• Zahan, N., Hasan, M. Z., Uddin, M. S., Hossain, S., ve Islam, S. F. (2022). A deep learning-based approach for mushroom diseases classification. Application of Machine Learning in Agriculture, 191-212. https://doi.org/10.1016/B978-0-323-90550-3.00005-9