Bitki Hastalıklarının Sınıflandırılmasında Derin Öğrenme Mimarilerinin Performans Değerlendirmesi

Öz

Tarım sektöründe bitki hastalıklarının erken ve doğru teşhisi, ürün kayıplarını önlemek ve verimliliği artırmak için kritik bir gerekliliktir. Geleneksel yöntemler sıklıkla zaman alıcı ve maliyetlidir. Görüntü işleme teknikleri, bitki yaprakları üzerinde hastalık belirtilerini hızlı ve yüksek doğrulukla tanımlayabilmektedir. Bu çalışmada, bitki hastalıklarının otomatik tespiti için özellikle görüntü sınıflandırma ve özellik çıkarımı gibi görevlerde yaygın olarak kullanılan derin öğrenme tabanlı Evrişimli Sinir Ağları (ESA) mimarilerinden DenseNet-169, Inception-ResNetV2 ve Xception modellerinin sınıflandırma performansı karşılaştırılmıştır. Çalışmada kullanılan Plant Pathology 2020-FGVC7 veri seti; healthy sınıfında 516, rust sınıfında 622 ve scab sınıfında 592 olmak üzere toplam 1.730 görüntü içermektedir. Veri artırma aşamasında ImageDataGenerator kullanılarak her görüntüden üç yeni örnek üretilmiş; döndürme, kaydırma, kesme, yakınlaştırma ve yatay çevirme işlemleri ile modelin farklı açı, konum ve perspektiflere uyumu artırılmıştır. İşlem sonunda healthy: 2.053, rust: 2.328 ve scab: 2.252 olmak üzere toplam 6.633 görüntüden oluşan genişletilmiş bir veri seti elde edilmiştir. Model eğitimi, görüntü sayısı artırılmış veri seti kullanılarak Google Colaboratory platformunda T4-GPU desteğiyle, Python dili üzerinde batch size= 16 ve 50 epoch parametreleriyle gerçekleştirilmiştir. Her model için eğitim süreçleri ve doğruluk oranları dikkate alınarak, en iyi sonuçları veren model seçilmeye çalışılmıştır. Inception-ResNetV2 modeli %80, Xception modeli %82 ve DenseNet-169 modeli ise %89 test doğruluğu elde etmiş olup, bu sonuçlar arasında en yüksek performans, DenseNet-169 modeli tarafından sergilenmiştir.

Anahtar Kelimeler

• Bitki Hastalığı
• Derin Öğrenme
• Evrişimli Sinir Ağı
• Görüntü İşleme

Performance Evaluation of Deep Learning Architectures in the Classification of Plant Diseases

Öz

Early and accurate detection of plant diseases is essential for preventing yield loss and improving productivity in the agricultural sector. Traditional diagnostic methods are often time-consuming and costly, whereas image processing techniques can identify disease symptoms on plant leaves quickly and with high accuracy. In this study, the classification performance of three widely used deep learning–based Convolutional Neural Network (CNN) architectures—DenseNet-169, Inception-ResNetV2, and Xception—was compared for the automatic detection of plant diseases. The Plant Pathology 2020-FGVC7 dataset was used, consisting of 516 healthy, 622 rust, and 592 scab images, for a total of 1,730 images. During the data augmentation stage, ImageDataGenerator was employed to generate three new samples from each original image. Transformations such as rotation, shifting, shearing, zooming, and horizontal flipping were applied to enhance the model’s robustness to variations in angle, position, and perspective. As a result, a total of 6,633 images were obtained, including 2,053 healthy, 2,328 rust, and 2,252 scab samples. Model training was conducted using the augmented dataset on Google Colaboratory with T4-GPU support, implemented in Python with a batch size of 16 and 50 epochs. The training processes and accuracy values of each model were evaluated to determine the best-performing architecture. The Inception-ResNetV2 model achieved 80% test accuracy, the Xception model achieved 82%, and the DenseNet-169 model achieved 89%, with DenseNet-169 outperforming the other models.

Anahtar Kelimeler

• Plant Disease
• Deep Learning
• Convolutional Neural Network (CNN)
• Image Processing

Kaynakça

1. Aalami, N. 2020. Derin öğrenme yöntemlerini kullanarak görüntülerin analizi. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 1, 17-20.
2. Aıt Nasser, A. ve Akhloufı, M. A. 2020. A hybrid deep learning architecture for apple foliar disease detection. Computers, 13(5).
3. Akbaş, B. 2019. Bitki Sağliğinin Sürdürülebilir Tarimdaki Yeri. Ziraat Mühendisliği, 6-13.
4. Aksoy, B., Halis, H. D. ve Salman, O. K. M. 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.
5. Albattah, W., Nawaz, M., Javed, A., Masood, M. ve Albahli, S. 2022. A novel deep learning method for detection and classification of plant diseases. Complex & Intelligent Systems, 8, 507-524.
6. Altaş, Z., Özgüven, M. M. ve Dilmaç, M. 2021. Görüntü işleme teknikleri ile bağ yaprak uyuzu hasarının belirlenmesi. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 10, 77-87.
7. Altınbılek, H. F. ve Kızıl, Ü. 2024. Identification of Some Sunflower Diseases Using Deep Convolutional Neural Networks. COMU Journal of Agriculture Faculty, 12, 11-19.
8. Aslan, M. 2021. Derin Öğrenme ile Şeftali Hastalıkların Tespiti. Avrupa Bilim ve Teknoloji Dergisi, 540-546.

9. Banjar, A., Javed, A., Nawaz, M. ve Dawood, H. 2025. E-AppleNet: an enhanced deep learning approach for apple fruit leaf disease classification. Applied Fruit Science, 67(1).
10. Bhardwaj, P., Kumar, S. ve Kumar, Y. 2023. A Comprehensive Analysis of Deep Learning-Based Approaches for the Prediction of Gastrointestinal Diseases Using Multi-class Endoscopy Images. Archives of Computational Methods in Engineering, 30.
11. Billah, M. M., Sultana, A., Sad Aftab, R., Ahmed, M. M. ve Shorif Uddin, M. 2024. Leaf disease detection using convolutional neural networks: a proposed model using tomato plant leaves. Neural Computing and Applications, 36, 20043-20053.
12. Boyar, T. 2024. Bitki Görüntülerinden Hastalık Tespiti Için Derin Öğrenme Modeli. Marmara Universitesi (Turkey).
13. Bozcu, H. 2024. Derin öğrenme tabanlı kiraz yapraklarında hasar tespiti. Bilecik Şeyh Edebali Üniversitesi, Lisansüstü Eğitim Enstitüsü.
14. Cha, Y.-J., Ali, R., Lewis, J. ve Büyükӧztürk, O. 2024. Deep learning-based structural health monitoring. Automation in Construction, 161, 105328.
15. Chollet, F. Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition, 2017. 1251-1258.
16. Dalvi, P. P., Edla, D. R. ve Purushothama, B. 2023. Diagnosis of coronavirus disease from chest X-ray images using DenseNet-169 architecture. SN Computer Science, 4, 214.
17. Demilie, W. B. 2024. Plant disease detection and classification techniques: a comparative study of the performances. Journal of Big Data, 11, 5.
18. El Sakka, M., Ivanovici, M., Chaari, L. ve MothE, J. 2025. A review of CNN applications in smart agriculture using multimodal data. Sensors, 25, 472.
19. Elmas, B. 2021. Evrişimli sinir ağları ile ağaç kabuğu görüntülerinden ağaç türlerinin transfer öğrenme yöntemiyle tanımlanması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, 1253-1270.
20. Esen, F. A. 2022. Derin öğrenme tabanlı akıllı tarım ve uygulamaları. Izmir Katip Celebi University (Turkey).
21. Harakannanavar, S. S., Rudagi, J. M., Puranikmath, V. I., Siddiqua, A. ve Pramodhini, R. 2022. Plant leaf disease detection using computer vision and machine learning algorithms. Global Transitions Proceedings, 3, 305-310.
22. Hasan, M. M., Uddin, A. S., Akhond, M. R., Uddin, M. J., Hossain, M. A. ve HosSAIN, M. A. 2023. Machine learning and image processing techniques for rice disease detection: a critical analysis. International Journal of Plant Biology, 14, 1190-1207.
23. Hossin, M. ve Sulaiman, M. N. 2015. A review on evaluation metrics for data classification evaluations. International journal of data mining & knowledge management process, 5, 1.
24. Huang, G., Liu, Z., Van Der Maaten, L. ve Weinberger, K. Q. Densely connected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition, 2017. 4700-4708.
25. Ilsever, M. ve Baz, I. 2024. Consistency regularization based semi-supervised plant disease recognition. Smart Agricultural Technology, 9, 100613.
26. Indira, K. ve Mallika, H. 2024. Classification of plant leaf disease using deep learning. Journal of The Institution of Engineers (India): Series B, 105(3), 609-620.
27. Khan, S. H. ve Iqbal, R. 2025. A Comprehensive Survey on Architectural Advances in Deep CNNs: Challenges, Applications, and Emerging Research Directions. arXiv preprint arXiv:2503.16546.
28. Kılıç, A. E. 2024. Transfer Öğrenme Tabanlı Açıklanabilir Derin ÖğRenme Yöntemleri Kullanılarak Bitki Hastalıklarının Sınıflandırılması. Necmettin Erbakan University (Turkey).
29. Kızrak, M. A. ve BOLAT, B. 2018. Derin öğrenme ile kalabalık analizi üzerine detaylı bir araştırma. Bilişim Teknolojileri Dergisi, 11, 263-286.
30. Liu, S., Roemer, F., Ge, Y., Bedrick, E. J., Li, Z.-M., Guermazi, A., Sharma, L., Eaton, C., Hochberg, M. C. ve Hunter, D. J. 2023. Comparison of evaluation metrics of deep learning for imbalanced imaging data in osteoarthritis studies. Osteoarthritis and cartilage, 31, 1242-1248.
31. Mumcu, S. 2023. Görüntü Işleme ve Sinir Ağları ile Bitki Gelişim Analizlerinin Yapılması Için Yöntemlerin Belirlenmesi: Zeytin Örneği. Maltepe University (Turkey).
32. Murad, M. U. ve Okatan, A. 2023. Smart detection and diagnosis of plant disease using deep and machine learning methods. International Research Journal of Modernization in Engineering Technology and Science, 5, 1300-1307.
33. Nag, A., Chanda, P. R. ve Nandi, S. 2023. Mobile app-based tomato disease identification with fine-tuned convolutional neural networks. Computers and Electrical Engineering, 112, 108995.
34. Nematzadeh, P. 2022. Development of in-field data acquisition systems and machine learning-based data processing and analysis approaches for turfgrass quality rating and peanut flower detection. Oklahoma State University.
35. Raghuram, K. ve Borah, M. D. 2025. A hybrid learning model for tomato plant disease detection using deep reinforcement learning with transfer learning. Procedia Computer Science, 252, 341–354.
36. Rainio, O., Teuho, J. ve Klén, R. 2024. Evaluation metrics and statistical tests for machine learning. Scientific Reports, 14, 6086.
37. Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B. ve Yang, G.-Z. 2016. Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21, 4-21.
38. Saleem, M. H., Potgıeter, J. ve Arıf, K. M. 2020. Plant disease classification: A comparative evaluation of convolutional neural networks and deep learning optimizers. Plants, 9(10).
39. Sevli, O. 2022. Elma bitkisi hastalıklarının derin öğrenme ile tespiti (Detection of apple plant diseases by deep learning). International Euroasia Congress on Scientific Researches and Recent Trends 9, 339–346.
40. Singh, A., Kaur, J., Singh, K. ve Singh, M. L. 2024. Deep transfer learning-based automated detection of blast disease in paddy crop. Signal, Image and Video Processing, 18, 569-577.
41. Sofuoğlu, C. İ. ve BıranT, D. 2023. Using convolutional neural network for grape plant disease classification. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 28, 809-820.
42. Szegedy, C., Ioffe, S., Vanhoucke, V. ve AlemI, A. Inception-v4, inception-resnet and the impact of residual connections on learning. Proceedings of the AAAI conference on artificial intelligence, 2017.
43. Talaat, F. M., Shams, M. Y., Gamel, S. A. Ve Zaineldin, H. 2025. DeepLeaf: an optimized deep learning approach for automated recognition of grapevine leaf diseases. Neural Computing and Applications, 1-25.
44. Tanrikulu, H. 2023. Yapay Sinir Ağları Ile Bitki Hastalıklarının Teşhisi. Ankara Universitesi (Turkey).
45. Taşyürek, M. ve Gül, E. 2023. Nesne Tespitinde En Uygun Modelin Seçimi İçin Görüntüler Üzerinde Evrişimli Sinir Ağları ile Çekişmeli Saldırı Tespiti. Journal of the Institute of Science and Technology, 13, 2353-2363.
46. Thanjaivadivel, M., Gobinath, C., Vellingiri, J., Kaliraj, S. ve Femilda Josephin, J. 2025. EnConv: enhanced CNN for leaf disease classification. Journal of Plant Diseases and Protection, 132, 32.
47. Thapa, R., Snavely, N., Belongıe, S. ve Khan, A. 2020. The Plant Pathology 2020 challenge dataset to classify foliar disease of apples. arXiv:2004.11958.
48. Topçu, C. ve Güneş, P. 2024. Bitki hastalıklarını tespitte derin öğrenme: ResNet modelinin etkinliği. Anadolu Bil Meslek Yüksekokulu Dergisi, 19, 31-65.
49. Tripathy, S. Ve Singh, R. Convolutional neural network: an overview and application in image classification. Proceedings of Third International Conference on Sustainable Computing: SUSCOM 2021, 2022. Springer, 145-153.
50. Yadav, A., Thakur, U., Saxena, R., Pal, V., Bhateja, V. ve Lın, J. C. W. 2022. AFD-Net: Apple Foliar Disease multi classification using deep learning on plant pathology dataset. Plant and Soil, 477(1), 595–611.