Embedded system design for real-time detection of tobacco blue mold disease

Öz

The tobacco plant is grown in several regions globally as well as Turkey due to its significant adaptability. The occurrence of blue mold disease on tobacco leaves adversely affects the growth and development of the plant, leading to yield and economic losses. The traditional diagnosis of blue mold disease (Peronospora tabacina Adam) in tobacco leaves is time-consuming, which may delay control measures and accelerate the spread of the disease. This situation complicates early and accurate intervention strategies. Therefore, a real-time embedded system model was designed to detect diseased areas on tobacco leaves. Camera images were transferred to the embedded system, and symptomatic regions were identified using morphological operations implemented through Python software. In addition, convolutional neural network (CNN) models were employed to classify tobacco leaves as healthy or diseased. The performance of these models was evaluated on a dataset consisting of 1 600 healthy and 1 600 diseased tobacco leaf images taken in the Bafra district, Samsun, Turkey. As a result of the classification process, the system achieved a success rate of >93% across three different models. The developed real-time embedded system is expected to contribute to preserving productivity and sustainability in agriculture by enabling accurate and rapid detection of blue mold disease in tobacco leaves.

Anahtar Kelimeler

• Disease detection
• Nicotiana tabacum L.
• Classification
• tobacco blue mold disease

Etik Beyan

There is no need to obtain permission from the ethics committee for this study.

Tütün mavi küf hastalığının gerçek zamanlı tespiti için gömülü sistem tasarımı

Öz

Tütün bitkisi adaptasyon yeteneğinin yüksek olmasından dolayı dünyanın ve Türkiye’nin pek çok bölgesinde yetiştirilmektedir. Tütün yapraklarında meydana gelen mavi küf hastalığı tütün bitkisinin büyüme ve gelişimini olumsuz etkilemektedir. Bu durum verim kaybına ve ekonomik kayıplara neden olmaktadır. Tütün yapraklarındaki mavi küf hastalığının (Peronospora tabacina Adam) geleneksel yöntemlerle teşhisi oldukça zaman alıcı olup kontrol süresinin uzamasına ve hastalığın hızla yayılmasına sebep olabilmektedir. Bu durum erken ve doğru müdahale stratejilerini zorlaştırmaktadır. Bu nedenle tütün yapraklarında meydana gelen hastalıklı alanların tespiti amacıyla gerçek zamanlı çalışan gömülü bir sistem modeli tasarlanmıştır. Kamera görüntüleri gömülü sisteme aktarılarak python yazılımı ile morfolojik işlemler uygulanarak simptomatik bölgeler tespit edilmiştir. Ayrıca tütün yapraklarını hastalıklı ve sağlıklı olarak sınıflandırmak amacıyla evrişimsel sinir ağları modelleri kullanılmıştır. Samsun/Bafra ilçesinde fotoğrafı çekilen 1 600 sağlıklı ve 1 600 hastalıklı tütün yaprağı içeren bir veri seti üzerinde bu modellerin performansı değerlendirilmiştir. Sistem, sınıflandırma işleminin sonucunda üç modelde %93 ve üzeri başarı oranı ile çalışmıştır. Geliştirilen gerçek zamanlı gömülü sistem tasarımı, tütün yapraklarındaki mavi küf hastalığının doğru ve hızlı bir şekilde tespit edilmesini sağlayarak, tarımda verimliliği ve sürdürebilirliği korumaya katkı sunacağı düşünülmektedir.

Anahtar Kelimeler

• Hastalık tespiti
• Nicotiana tabacum L.
• Sınıflandırma
• tütün mavi küf hastalığı

Kaynakça

1. Altunay, A. (2012). Geleneksel Medyadan Yeni Medyaya: Görüntü Yüzeyi. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 27, 33-44.
2. Atacak, İ. (2024). Kalp Yetmezliği Tahmininin Kategorik Olarak Farklı Tip Makine Öğrenmesi Yöntemleri ile Uygulanmasına Yönelik Bir Değerlendirme Çalışması. EMO Bilimsel Dergi, 14(1), 73-85.
3. Avila-George, H., Valdez-Morones, T., Pérez-Espinosa, H., Acevedo-Juárez, B. and Castro, W. (2018). Using Artificial Neural Networks for Detecting Damage on Tobacco Leaves Caused by Blue Mold. International Journal of Advanced Computer Science and Applications (IJACSA), 9(8), 579-583.
4. Bükücü, Ç. C. (2021). Görüntü İşleme Teknikleri ile Cam Ürünlerde Hata Tespiti, Doktora Tezi, Gaziosmanpaşa Üniversitesi Lisansüstü Eğitim Enstitüsü, Tokat.
5. Çakmakçı, M. F. ve Çakmakçı, R. (2023). Uzaktan Algılama, Yapay Zekâ ve Geleceğin Akıllı Tarım Teknolojisi Trendleri. Avrupa Bilim ve Teknoloji Dergisi, (52), 234-246.
6. Erkutlu, H., Erdemir Ergün, E., Köseoğlu, İ. ve Vurgun, T. (2023). Yapay Zekâ ve Örgütsel Davranış. Nevşehir Hacı Bektaş Veli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 13(3), 1403-1417. https://doi.org/10.30783/nevsosbilen.1246678.
7. Fan, Z., Lu, J., Gong, M., Xie, H. and Goodman, E. D. (2018). Automatic Tobacco Plant Detection in UAV Images via Deep Neural Networks. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(3), 876-887.
8. He, K., Zhang, X., Ren S. and Sun J., (2016, June). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas.

9. Internet 1: Food and Agriculture Organization (FAO). (2025). Unmanufactured tobacco, crops and livestock products. Retrieved February 11, 2025, fro https://www.fao.org/faostat/en/#data/QCL
10. Internet 2: Tütün ve Alkol Dairesi Başkanlığı (TADAB). (2025). Yaprak tütün alım verileri. Retrieved February 11, 2025, from https://www.tarimorman.gov.tr/TADAB/Menu/22/Tutun-Ve-Tutun-Mamulleri-Daire-Baskanligi
11. Internet 3: Tütün Eksperleri Derneği. (2017). Hastalık, zararlılar ve arızalar faktörü. Retrieved June 20, 2025, from http://www.tutuneksper.org.tr/kaynaklar/hastaliklar/hastalik-zararlilar-ve-arizalar-faktoru
12. Internet 4: Çayıroğlu, İ. (2020). Görüntü işleme ders notları. Retrieved November 1, 2023, from http://www.ibrahimcayiroglu.com/Dokumanlar/GoruntuIsleme/Goruntu_Isleme_Ders_Notlari-1.Hafta.pdf
13. Internet 5: Hunter, D. (2018). Transfer öğrenimi (transfer learning). Yapay Zekâ, Robotik ve Sinirbilim. Retrieved October 26, 2023, from https://devhunteryz.wordpress.com/2018/07/28/transfer-ogrenimi-transfer-learning
14. Kılıç, Ş. (2023). Derin Öğrenme Yöntemleri Kullanılarak Giyilebilir Sensörlerden Kişi Tanıma, Doktora Tezi, Ankara Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
15. Kumar G. ve Bhatia, P. K. (2014, February). A Detailed Review of Feature Extraction in Image Processing Systems. Fourth International Conference on Advanced Computing & Communication Technologies, Rohtak.
16. Laily, D. (2013). Deteksi penyakit pada daun tembakau dengan menerapkan algoritma artificial neural network. Simetris Jurnal Teknik Mesin Elektro dan Ilmu Komputer, 3(1), 51-58.
17. Samsun İl Tarım ve Orman Müdürlüğü. (n.d.). Tütünde mavi küf (Tütün mildiyösü). Retrieved June 22, 2025, from https://samsun.tarimorman.gov.tr/Belgeler/Yayinlar/Lifletlerimiz/b-20.pdf
18. Shao, Y., Xuan, G., Zhu, Y., Zhang, Y., Peng, H., Liu, Z. and Hou, J. (2017). Research on automatic identification system of tobacco diseases. The Imaging Science Journal, 65(4), 252-259.
19. Swasono, D. I., Tjandrasa, H., & Fathicah, C. (2019). Classification of tobacco leaf pests using VGG16 transfer learning. 2019 12th International Conference on Information & Communication Technology and System (ICTS), Surabaya, Indonesia, 176-181. https://doi.org/10.1109/ICTS.2019.8850946
20. Tan, M. and Le, Q. V. (2019, June). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning, ICML 2019, Long Beach, 9-15 2019, 6105-611436. Uluslararası Makine Öğrenimi Konferansı Bildirileri, ICML 2019, Long Beach.
21. Tarım ve Hayvancılık Bakanlığı. (2008). Zirai mücadele teknik talimatı cilt 2: Tütün mildiyösü (s. 33). Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü.
22. Türkoğlu, M (2019). Görüntü İşleme Tabanlı Bitki Türleri ve Hastalıkları Tanıma, Doktora Tezi, İnönü Üniversitesi Fen Bilimleri Enstitüsü, Malatya.
23. Xu, M., Li, L., Cheng, L., Zhao, H., Wu, J., Wang, X., Li, H. and Liu, J. (2022). Tobacco Leaves Disease Identification and Spot Segmentation Based on the Improved ORB Algorithm. Scientific Programming, vol. 2022, 1-12.