In recent years, deep learning-based computer-aided systems have gained significant importance in the agriculture sector and have played an effective role in various application areas. These systems have not only contributed to the early diagnosis of diseases but have also provided crucial support to agricultural professionals. In this context, this study aims to investigate the effectiveness of deep learning methods in the early diagnosis of rice leaf diseases. For this research, the Paddy Doctor dataset, comprising a total of 4160 images from 13 different rice diseases, was utilized. Five different transfer learning models were meticulously evaluated on the dataset. The results clearly indicate that the Xception model achieved the highest performance with an accuracy rate of 93.37%. Additionally, this study aimed to enrich the dataset and improve diagnostic accuracy by optimizing data preprocessing and augmentation techniques. The performance of the successful model in diagnosing rice leaf diseases was thoroughly assessed. Through this evaluation, disease categories in which the model excelled and those in which it struggled or had the lowest accuracy rates were identified. These findings underscore the potential of transfer learning models in the early diagnosis of rice diseases, facilitating the development of effective automated diagnostic systems in the agriculture sector. Furthermore, this research, with a focus on promoting healthier and sustainable agricultural practices, may contribute to future strategies.
Son yıllarda tarım sektöründe, derin öğrenme temelli bilgisayar destekli sistemler büyük bir önem kazanmış ve farklı uygulama alanlarında etkili bir rol oynamıştır. Bu sistemler sadece hastalıkların erken teşhisine katkı sağlamakla kalmamış, aynı zamanda tarım profesyonellerine önemli bir destek sunmuştur. Bu bağlamda, bu çalışma çeltik yapraklarında mevcut hastalıkların erken teşhisinde derin öğrenme yöntemlerinin etkinliğini araştırmayı amaçlamaktadır. Bu araştırma için, 13 farklı çeltik hastalığına ait toplam 4160 görüntü içeren Paddy Doctor veri kümesi kullanılmıştır. Veri kümesi üzerinde beş farklı transfer öğrenme modeli titizlikle değerlendirilmiştir. Elde edilen sonuçlar, Xception modelinin %93,37'lik doğruluk oranı ile en üstün performansı gösterdiğini açıkça ortaya koymaktadır. Ayrıca, bu çalışma veri ön işleme ve veri artırma tekniklerini optimize etme konusuna da değinerek veri kümesini zenginleştirmeyi ve teşhis doğruluğunu artırmayı amaçlamıştır. Başarılı bulunan modelin çeltik yaprak hastalıklarını teşhis etmedeki performansı ayrıntılı bir şekilde değerlendirilmiştir. Bu değerlendirme sonucunda, modelin en başarılı olduğu hastalık sınıfları belirlenmiş ve aynı şekilde modelin en zorlandığı veya en düşük doğruluk oranına sahip hastalık sınıfları da tespit edilmiştir. Bu bulgular, çeltik hastalıklarının erken teşhisinde transfer öğrenme modellerinin potansiyelini vurgulayarak tarım sektöründe etkili otomatik teşhis sistemlerinin geliştirilmesine olanak tanımaktadır. Bu yaklaşım, tarım sektöründe mahsul verimini artırma ve pestisit kullanımını azaltma yolunda umut vadetmektedir. Ayrıca, daha sağlıklı ve sürdürülebilir tarım uygulamalarını teşvik etme odaklı bu araştırma, gelecekteki stratejilere de katkı sağlayabilir.