Yapay Sinir Ağları ile Mısır Yapraklarında Hastalık Tespiti

Öz

Mısır, dünya üzerinde popüler gıdalardan biri olarak, yaklaşık 10.000 yıl önce ilk kez güney Meksika'daki yerli halklar tarafından evcilleştirilen bir tahıldır. Dünya nüfusu arttıkça çoğu besin maddesinde olduğu gibi mısır tüketiminde de ciddi oranda artış meydana gelmiştir. Böyle önemli bir ürünün üretiminde bazı hastalıklar nedeniyle azalma yaşanması özellikle tüketimi fazla olan ülkeler açısından zor bir durum yaratacaktır. Mısır üreticileri oluşabilecek hastalıkların tespitinde sürekli takip ve izleme durumundadırlar. Kaliteli mısır üretimi için mısır hastalıklarının tespit ve takibinde modern teknoloji tam anlamıyla kullanılamamaktadır. Hastalıkların tespitinde bilinen ve sıkça kullanılan teknikler ile birlikte yeni teknolojilerle birlikte gelenYapay Zekâ, Görüntü İşleme, Yapay Sinir Ağları,Derin Öğrenme gibi birçok yöntemde kullanılmaktadır. Bu yöntem ve tekniklerin bize kazandırdığı en önemli kazanç hastalıkların etkili ve hızlı bir şekilde tespit edilerek doğru müdahaleyi yapabilmektir. Bu araştırmada, dört farklı mısır hastalığı ve sağlıklı mısırlara ait görüntüler alınarak, görüntüler vasıtasıyla K-En Yakın Komşu Algoritması, Rastgele Orman Algoritması ve Yapay Sinir Ağları Algoritmaları kullanılmıştır. Bu algoritmalar sayesinde yapay zeka eğitiliyor ve eğitilmiş modeller ortaya çıkmış oluyor. Kullanılan algoritmalarda eğitim işlemleri yapılarak eğitilmiş modeller oluşturulmuştur. Bu modelde başarı yüzdesi olarak K-En Yakın Komşu Algoritması %97, Rastgele Orman Algoritması %97,6 ve Yapay Sinir Ağları %97,7 ile en iyi sonuca ulaşılmıştır. Bu sonuca göre yapılan proje çalışmasının işe yaradığı ve mısır hastalıklarının tespiti için kullanılabilir olduğu gözlemlenmiştir.

Anahtar Kelimeler

• Yapay Zekâ
• Yapay Sinir Ağı
• Mısır
• Mısır Hastalığı
• Tespit Etme
• Mısır yaprağı

Disease Detection in Corn Leaves with Artificial Neural Networks

Öz

Corn, as one of the popular foods around the world, is a grain that was first domesticated by indigenous peoples in southern Mexico about 10,000 years ago. As the world's population increases, there has been a significant increase in corn consumption, as in most nutrients.Thus, a decrease in the production of an important product due to some diseases will create a difficult situation, especially for countries with high consumption. Corn producers are in a constant state of monitoring and monitoring in the detection of diseases that may occur. Modern technology cannot be used fully in the detection and monitoring of corn diseases for quality corn production. It is used in many methods such as Image Processing, Artificial Intelligence, Deep Learning, Artificial Neural Networks brought by new technologies along with conventional and standard methods and techniques in the detection of diseases. The most important gain that these methods provide to us is to be able to make the right intervention by detecting diseases effectively and quickly. In this research, images of four different corn diseases and healthy corn were taken and K-Nearest Neighbor Algorithm, Random Forest Algorithm and Artificial Neural Network Algorithms were used through these images. Trained models have been created by performing training operations in the algorithms used. In this model, as a percentage of success, the K-Nearest Neighbor Algorithm gave the best results with 97%, the Random Forest Algorithm with 97.6% and Artificial Neural Networks with 97.7%. According to this result, it has been observed that the project work carried out works and can be used for the detection of corn diseases.

Anahtar Kelimeler

• Artificial intelligence
• Artificial neural network
• Corn
• Corn disease
• Detection
• Corn leaf

Kaynakça

1. [1] Dünya Bankası (30 Eyl 2022), “Genel Bakış”. Erişim Adresi: https://www.worldbank.org/en/topic/agriculture/overview
2. [2] Turgay, E. B., Büyük, O., Tunalı, B., Kurt, Ş., Akçalı, E., Baran, B., & Kansu, B. (2017). Türkiye’de önemli mısır (Zea mays L.) alanlarında Kuzey [Exserohilum turcicum (Pass.) KJ Leonard & Suggs] ve Güney [Bipolaris maydis (Y. Nisk. & C. Miyake) Shoemaker] mısır yaprak yanıklığı hastalıklarının yaygınlığı.Griffiths, M., (1999), “Internet addiction: Fact or fiction?” The Psychologist, c. 12, S. 5, s. 246– 251.
3. [3] Tarım ve Orman Bakanlığı (Ocak 2022, Sayı 19). Dünyada Mısır [Mısır bülteni]. Erişim adresi: https://www.tarimorman.gov.tr/BUGEM/Belg eler/B%C3%BCltenler/OCAK%202022/M%C4%B1s%C4%B1r%20Ocak%20B%C3%BClteni.pdfKaraman
4. [4] Kusumo, B. S., Heryana, A., Mahendra, O., & Pardede, H. F. (2018, November). Machine learning-based for automatic detection of corn- plant diseases using image processing. In 2018 International conference on computer, control, informatics and its applications (IC3INA) (pp. 93-97). IEEE.
5. [5] Khoirunnisak, K. M. (2020). Sistem Pakar Diagnosa Penyakit pada Tanaman Jagung dengan Metode Dempster Shafer. Publikasi Tugas Akhir S-1 PSTI FT-UNRAM.
6. [6] Wiesner-Hanks, T., Stewart, E. L., Kaczmar, N., DeChant, C., Wu, H., Nelson, R. J., ... & Gore, M. A. (2018). Image set for deep learning: field images of maize annotated with disease symptoms. BMC research notes, 11(1), 1-3.
7. [7] Le, E. P. V., Wang, Y., Huang, Y., Hickman, S., & Gilbert, F. J. (2019). Artificial intelligence in breast imaging. Clinical radiology, 74(5), 357-366.
8. [8] Göksu, M., Sünnetci, K. M., & Alkan, A. Derin öğrenme ağları kullanılarak mısır yapraklarında hastalık tespiti. Computer Science, (Special)(2021), 208-216.

9. [9] Zhang, Z. Y., He, X. Y., Sun, X. H., Guo, L. M., Wang, J. H., & Wang, F. S. (2015). Image recognition of maize leaf disease based on GA- SVM. Chemical Engineering Transactions, 46, 199-204.
10. [10] Panigrahi, K. P., Sahoo, A. K., & Das, H. (2020, June). A cnn approach for corn leaves disease detection to support digital agricultural system. In 2020 4th International Conference on Trends in Electronics and Informatics (ICOEI)(48184) (pp. 678-683). IEEE.
11. [11] Sibiya, M., & Sumbwanyambe, M. (2019). A computational procedure for the recognition and classification of maize leaf diseases out of healthy leaves using convolutional neural networks. AgriEngineering, 1(1), 119-131.
12. [12] Ahila Priyadharshini, R., Arivazhagan, S., Arun, M., & Mirnalini, A. (2019). Maize leaf disease classification using deep convolutional neural networks. Neural Computing and Applications, 31(12), 8887-8895.
13. [13] Bhange, M., & Hingoliwala, H. A. (2015). Smart farming: Pomegranate disease detection using image processing. Procedia computer science, 58, 280-288.
14. [14] Kapon, O. (2022, February). Kaggle: https://www.kaggle.com/code/omreekapon/co rn-and-maizediseases-classification/notebook. Erişim: 04.10.2022
15. [15] Whxna. (2022, August). Kaggle: https://www.kaggle.com/code/jiaowoguanren/ corn-ormaize-leaf-dataset-tf- squeezenet/notebook. Erişim: 04.10.2022
16. [16] Zhao, Y.-X., Wang, K.-R., Bai, Z.-Y., Li, S.-K., Xie, R.-Z., & Gao, S.-J. (2009). Research of Maize Leaf Disease Identifying Models Based Image Recognition. Crop Modeling and Decision Support, 1(2004), 317–324. https://doi.org/10.1007/978-3-642-01132-0_35.
17. [17] Lv, M., Zhou, G., He, M., Chen, A., Zhang, W., & Hu, Y. (2020). Maize Leaf Disease Identification Based on Feature Enhancement and DMS-Robust Alexnet. IEEE Access, 8, 57952–57966. https://doi.org/10.1109/ACCESS.2020.298244 3.
18. [18] An, J., Li, W., Li, M., Cui, S., & Yue, H. (2019). Identification and classification of maize drought stress using deep convolutionalneural network. Symmetry, 11(2), 1–14. https://doi.org/10.3390/sym11020256.
19. [19] Song, K., Sun, X. Y., & Ji, J. W. (2007). Corn leaf disease recognition based on support vector machine method. Transactions of the CSAE, 23(1), 155-157.
20. [20] Rage, S. (2022). Kaggle: https://www.kaggle.com/code/sailikhitarage/m aize-mutantclassification-using- vgg16/notebook. Erişim: 04.10.2022 [21] Kilinç, d., Borandağ, E., Yücalar, f., Tunali, v., Şimşek, M., & Özçift, A. (2016). Knn Algoritmasi Ve R Dili Ile Metin Madenciliği Kullanilarak Bilimsel Makale Tasnifi. Marmara Fen Bilimleri Dergisi, 28(3), 89-94.
21. [22] Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
22. [23] Elmas, Ç. (2016). Yapay Zeka Uygulamaları 3. Baskı. Ankara: Seçkin Yayıncılık.