Domates Yapraklarında Hastalık Tespiti İçin Transfer Öğrenme Kullanılması Ve Mobil Uygulamaya Entegre Edilmesi

Yıl 2025, Cilt: 7 Sayı: 1, 105 - 113, 30.06.2025

Tahir Çağrı Özben , Osman Güler

https://doi.org/10.59940/jismar.1681569

Öz

Bu çalışmada, tarımsal bitki sağlığı yönetiminde yapay zeka uygulamalarından faydalanılmaktadır. Özel olarak, domates bitkilerinde görülen dokuz farklı hastalık türü ve sağlıklı yaprakları tespit edebilmek için derin öğrenme tabanlı bir çözüm geliştirilmiştir. Toplam 16.011 görüntü içeren bir veri seti kullanılarak, MobileNetV1, MobileNetV2 MobileNetV3 small ve MobileNetV3 large mimarileri ile 20 eğitim devresi boyunca eğitimler gerçekleştirilmiştir. Eğitimler sonrasında en iyi performans gösteren model, Android platformunda çalışabilen bir mobil uygulamaya entegre edilmiştir. Uygulama, kullanıcıların domates yapraklarındaki hastalıkları gerçek zamanlı olarak tespit etmelerine olanak tanımaktadır. İlk denemeler, modelin hastalıkları tespit etme yeteneğinin gelecek vaat ettiğini göstermiştir. Bu çalışma, mobil teknolojilerin tarımsal bitki hastalıklarını erken teşhis etmedeki potansiyelini vurgulamakta ve tarımsal verimliliği artırmaya yönelik yeni yollar sunmaktadır.

Anahtar Kelimeler

Yapay zeka , Transfer öğrenme , Mobil uyulama , Domates , Domates yaprak hastalığı

Using Transfer Learning for Disease Detection in Tomato Leaves and Its Integration into a Mobile Application

Öz

In this study, artificial intelligence applications are utilized for agricultural plant health management. Specifically, a deep learning-based solution has been developed to detect nine different types of diseases observed in tomato plants, as well as healthy leaves. Using a dataset containing a total of 16.011 images, training was conducted over 20 epochs with MobileNetV1, MobileNetV2, MobileNetV3 Small, and MobileNetV3 Large architectures. Following the training, the best-performing model was integrated into a mobile application compatible with the Android platform. The application enables users to detect diseases in tomato leaves in real time. Initial trials have shown that the model’s ability to identify diseases is promising. This study highlights the potential of mobile technologies in the early diagnosis of plant diseases and presents new avenues for improving agricultural productivity.

Anahtar Kelimeler

Artificial intelligence , Transfer learning , Mobile application , Tomato , Tomato leaf disease.

Kaynakça

• TEPGE, “Tarım Ürünleri Piyasaları,” Ankara, Haziran 2021.
• Kılıçarslan, S., & Pacal, I. (2023). Domates Yapraklarında Hastalık Tespiti İçin Transfer Öğrenme Metotlarının Kullanılması. Mühendislik Bilimleri ve Araştırmaları Dergisi, 5(2), 215-222.
• Zhao, S., Peng, Y., Liu, J., & Wu, S. (2021). Tomato leaf disease diagnosis based on improved convolution neural network by attention module. Agriculture, 11(7), 651.
• Mansoor, S., Khan, S. H., Saeed, M., Bashir, A., Zafar, Y., Malik, K. A., & Markham, P. G. (1997). Evidence for the association of a bipartite geminivirus with tomato leaf curl disease in Pakistan. Plant Disease, 81(8), 958-958.
• Raza, A., Shakeel, M. T., Umar, U. U. D., Tahir, M. N., Hassan, A. A., Katis, N. I., & Wang, X. (2020). First report of tomato chlorosis virus infecting tomato in Pakistan. Plant Dis, 104(2036), 10-1094.
• Karaman, A., Karaboga, D., Pacal, I., Akay, B., Basturk, A., Nalbantoglu, U., ... & Sahin, O. (2023). Hyper-parameter optimization of deep learning architectures using artificial bee colony (ABC) algorithm for high performance real-time automatic colorectal cancer (CRC) polyp detection. Applied Intelligence, 53(12), 15603-15620.
• Tan, L., Lu, J., & Jiang, H. (2021). Tomato leaf diseases classification based on leaf images: a comparison between classical machine learning and deep learning methods. AgriEngineering, 3(3), 542-558.
• Cengil, E., & Çınar, A. (2022). Hybrid convolutional neural network based classification of bacterial, viral, and fungal diseases on tomato leaf images. Concurrency and Computation: Practice and Experience, 34(4), e6617.
• Barbedo, J. G. A. (2016). A novel algorithm for semi-automatic segmentation of plant leaf disease symptoms using digital image processing. Tropical Plant Pathology, 41(4), 210-224.
• Zaki, S. Z. M., Zulkifley, M. A., Stofa, M. M., Kamari, N. A. M., & Mohamed, N. A. (2020). Classification of tomato leaf diseases using MobileNet v2. IAES International Journal of Artificial Intelligence, 9(2), 290.
• Mohanty, S. P., Hughes, D. P. ve Salathé, M. (2016). Görüntü tabanlı bitki hastalığı tespiti için derin öğrenmenin kullanılması. Frontiers in Plant Science, 7, 1419.
• Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D. ve Stefanovic, D. (2016). Yaprak görüntü sınıflandırmasıyla bitki hastalıklarının derin sinir ağlarına dayalı tanınması. Hesaplamalı Zeka ve Sinirbilim, 2016.
• Ferentinos, K. P. (2018). Bitki hastalığı tespiti ve teşhisi için derin öğrenme modelleri. Tarımda Bilgisayarlar ve Elektronik, 145, 311-318.
• Zhang, S., Zhang, S., Zhang, C., Wang, X. ve Shi, Y. (2019). Küresel havuzlama genişlemiş evrişimli sinir ağı ile salatalık yaprağı hastalığı tanımlama. Tarımda Bilgisayarlar ve Elektronik, 162, 422-430.
• Karthik, R., Hariharan, M., Anand, S., Mathikshara, P., Johnson, A. ve Menaka, R. (2020). Domates yapraklarında hastalık tespiti için dikkat gömülü kalıntı CNN. Uygulamalı Yumuşak Hesaplama, 86, 105933.
• Abbas, A., Jain, S., Gour, M., & Vankudotlu, S. (2021). Tomato plant disease detection using transfer learning with C-GAN synthetic images. Computers and Electronics in Agriculture, 187, 106279.
• Sanida, T., Sideris, A., Sanida, M. V., & Dasygenis, M. (2023). Tomato leaf disease identification via two-stage transfer learning approach. Smart Agricultural Technology, 5, 100275.
• Nag, A., Chanda, P. R., & Nandi, S. (2023). Mobile app-based tomato disease identification with fine-tuned convolutional neural networks. Computers and Electrical Engineering, 112, 108995.
• Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
• Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4510-4520).
• Howard, A., Sandler, M., Chu, G., Chen, L. C., Chen, B., Tan, M., ... & Adam, H. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 1314-1324).
• Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of big data, 6(1), 1-48.