Disease Detection on Apple Leaves Using Transfer öğrenme Models

Yıl 2024, Cilt: 5 Sayı: 2, 57 - 63

Mihriban Aybar , Uğur Talaş , Burakhan Çubukçu

https://doi.org/10.53608/estudambilisim.1556425

Öz

In this study, the aim is to diagnose diseases on apple tree leaves using transfer öğrenme methods. As in many fields, efficiency is highly important in agriculture. One of the key factors in maintaining high efficiency is combating plant diseases. Early detection of diseases makes this struggle easier. Diseases such as 'black rot,' 'cedar apple rust,' and 'apple scab,' which are commonly seen in apple trees, can be diagnosed from leaf images with expert support. In this study, artificial intelligence models were used to diagnose these diseases using the PlantVillage dataset. Xception and InceptionV3 transfer öğrenme methods were employed, and the models were examined by comparing them with popular metrics. An accuracy rate of 99.84% was achieved with the Xception model, while the InceptionV3 model reached an accuracy rate of 98.58%.

Anahtar Kelimeler

Transfer öğrenme, Xception, InceptionV3, PlantVillage

Transfer Öğrenme Modelleri ile Elma Yapraklarında Hastalık Tespiti

Öz

Bu çalışmada elma ağacı yapraklarının görüntüleri üzerinde transfer öğrenme yöntemleri kullanılarak hastalıkların teşhis edilebilmesi amaçlanmıştır. Birçok alanda olduğu gibi tarım alanında da verimlilik oldukça önemlidir Verimliliği yüksek tutmanın önemli unsurlarından biri bitki hastalıklarıyla mücadele etmektir. Hastalıklarla mücadele edebilmek için hastalığın erken teşhis edilmesi, bu mücadeleyi kolaylaştırmaktadır. Elma ağaçlarında sıklıkla görülen “kara çürüklük”, “sedir elma pası” ve “elma kabuğu uyuz” hastalıkları için yaprak görüntülerinden uzman desteğiyle teşhis yapılabilmektedir. Bu çalışmada PlantVillage veri seti kullanılarak bu hastalıkların teşhisi için yapay zeka modelleri kullanılmıştır. Çalışmada Xception ve InceptionV3 transfer öğrenme yöntemleri kullanılarak, modeller popüler metrikler ile karşılaştırılarak incelenmiştir. Xception modeli ile %99,84 doğruluk oranı elde edilirken, InceptionV3 modeli ile %98,58 doğruluk oranına ulaşmıştır.

Anahtar Kelimeler

Transfer Öğrenme, Xception, İnceptionV3, Plant Village

Kaynakça

• Hollomon, D.W., Brent, K.J., 2009. Combating plant diseases—the Darwin connection. Pest Manag Sci, 65, 1156–1163.
• Topçu, C., Güneş, P., 2024. Bitki Hastalıklarını Tespitte Derin Öğrenme: ResNet Modelinin Etkinliği. Journal of Anadolu Bil Vocational School of Higher Education, 19, 31–65.
• Yiğit, A., Turan, K., Erkılıç, L., 1991. Studies on Fruit Scars of Citrus in Eastern Mediterranean Region of Türkiye. Bitki Koruma Bülteni, 31.
• Aksoy, B., Diyar HALİS, H., Khaled Musleh SALMAN, O., Uygulamalı Bilimler Üniversitesi, I., et al., 2020. Elma Bitkisindeki Hastalıkların Yapay Zekâ Yöntemleri ile Tespiti ve Yapay Zekâ Yöntemlerinin Performanslarının Karşılaştırılması. International Journal of Engineering and Innovative Research, 2, 194–210.
• Singh, T., Kumar, K., Bedi, S.S., 2021. A Review on Artificial Intelligence Techniques for Disease Recognition in Plants. IOP Conf Ser Mater Sci Eng, 1022, 012032.
• Singh, V., Sharma, N., Singh, S., 2020. A review of imaging techniques for plant disease detection. Artificial Intelligence in Agriculture, 4, 229–242.
• Ahuja, A.S., 2019. The impact of artificial intelligence in medicine on the future role of the physician.PeerJ. https://doi.org/10.7717/peerj.7702
• Talaş, U., Yüzgeç, U., Çubukçu, B., 2021. Object Recognizing Robot Application with Deep Learning. European Journal of Science and Technology, 127–133.
• Arslan, K., Üyesi, Ö., Eylül Üniversitesi, D., 2020. Eğitimde Yapay Zeka ve Uygulamaları Artificial Intelligence and Applicatıons in Education. Derleme Makale Western Anatolia Journal of Educational Sciences, 11, 71–80.
• Ozdemir, D., Kunduraci, M.S., 2022. Comparison of deep learning techniques for classification of the insects in order level with mobile software application. IEEE Access, 10, 35675–35684.
• Akın, M., Dağdelen, A., Eğinme, R.N., Özdemir, D., 2023. Doğada Yetişen Mantar Türlerinin Derin Öğrenme ile Tespiti. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 4, 29–36.
• Kirola, M., Joshi, K., Chaudhary, S., Singh, N., et al., 2022. Plants Diseases Prediction Framework: A Image-Based System Using Deep Learning. Proceedings - 2022 IEEE World Conference on Applied Intelligence and Computing, AIC 307–313.
• Ma, J., Du, K., Zheng, F., Zhang, L., et al., 2018. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network. Comput Electron Agric, 154, 18–24.
• Chen, H.C., Widodo, A.M., Wisnujati, A., Rahaman, M., et al., 2022. AlexNet Convolutional Neural Network for Disease Detection and Classification of Tomato Leaf. Electronic, Vol. 11, Page 951, 11, 951.
• Sulistyowati, T., PURWANTO, P., Alzami, F., Pramunendar, R.A., 2023. VGG16 Deep Learning Architecture Using Imbalance Data Methods For The Detection Of Apple Leaf Diseases. Moneter: Jurnal Keuangan dan Perbankan, 11, 41–53.
• Babalola, F.O., Kpai, N.I., Toygar, Ö., 2023. Deep Learning Based Classification of Apple Leaf Diseases Using AlexNet. Computer Science, 67–74.
• Baranwal, S., Khandelwal, S., Arora, A., 2019. Proceedings of international conference on sustainable computing in science, technology and management (SUSCOM), Amity University Rajasthan, Jaipur-India.
• Mohanty, S.P., Hughes, D.P., Salathé, M., 2016. Using deep learning for image-based plant disease detection. Front Plant Sci, 7, 215232.
• Ergün, E., Kılıç, K., 2021. Derin Öğrenme ile Artırılmış Görüntü Seti üzerinden Cilt Kanseri Tespiti. Black Sea Journal of Engineering and Science, 4, 192–200.
• Lecun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature 521:7553, 521, 436–444.
• Weiss, K., Khoshgoftaar, T.M., Wang Background, D., 2016. A survey of transfer learning. https://doi.org/10.1186/s40537-016-0043-6
• Lo, W.W., Yang, X., Wang, Y., 2019. An xception convolutional neural network for malware classification with transfer learning. 2019 10th IFIP International Conference on New Technologies, Mobility and Security, NTMS 2019 - Proceedings and Workshop.
• Xia, X., Xu, C., Nan, B., 2017. Inception-v3 for flower classification. 2nd International Conference on Image, Vision and Computing, ICIVC, 783–787.
• Stefenon, S.F., Yow, K.-C., Nied, A., Meyer, L.H., 2022. Classification of distribution power grid structures using inception v3 deep neural network. Electrical Engineering, 104, 4557–4569.
• Blagec, K., Dorffner, G., Moradi, M., Samwald, M., n.d. A critical analysis of metrics used for measuring progress in artificial intelligence. https://doi.org/10.48550/arXiv.2008.02577
• Erickson, B.J., Kitamura, F., 2021. Magician’s corner: 9. performance metrics for machine learning models. Radiol Artif Intell, 3. https://doi.org/10.1148/ryai.2021200126