TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ

Elif Genç; Cem Bağlum; Osman Çağlar; Yusuf Kartal; Erol Seke; Kemal Özkan

doi:10.31796/ogummf.1529025

TR EN

TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ

Öz

Bitki hastalıklarının güvenilir ve zamanında tanımlanması modern tarımda çok önemli bir zorluktur. Geleneksel yöntemler gözle görülür semptomların manuel olarak gözlemlenmesine dayanır. Görünür semptomlar, enfeksiyonun orta veya geç aşamalarında ortaya çıkma eğilimindedir; bu da yayılma veya verim azalması olasılığını artırır. Bitki hastalıkları gözle görülebilir hale geldikten sonra hastalık bulaşmış olmakta ve tedavi için geç kalınmış olmaktadır. Bu sebeplerden dolayı bitki hastalıkların gözle görülmeden önce tespit edilebilmesi için daha düşük maliyetli olan çözümlere ihtiyaç vardır. Bu çalışmada, serada yetiştirilen hıyar bitkilerinde ortaya çıkabilecek virüs etkilerinin derin öğrenme ve yapay zeka uygulamaları yardımıyla erken dönemde tespit edilmesi hedeflenmiştir. Bu amaçla bitki hastalıklarının erken tespiti için LSTM tabanlı bir derin öğrenme modeli önerilmiştir. Bu modelde kullanılan veriler için, hastalık inoküle edilen ve sağlıklı bitkilerin bulunduğu iklim odaları kurulmuştur ve toprak sensörleri kullanılarak hıyar bitkisinden zamansal veriler toplanmıştır. Daha sonra veri hazırlama süreci içerisinde verilerin temizlenmesi, özniteliklerinin çıkarılması ve etiketleme gibi işlemler yapılmıştır. Eğitim aşamasından sonra model, tarımsal sensörlerden gelen zaman serisi verilerini analiz ederek anomali tespiti yapabilmekte, bu sayede bitki hastalıkların görsel belirtileri ortaya çıkmadan hastalıklı olduklarını söylemektedir. Modelin performansını değerlendirmek için doğruluk, sınıflandırma raporu, karışıklık matrisi gibi metrikler kullanılmıştır. Elde edilen sonuçlar oldukça başarılı; model %99.95 doğruluk sağlamış ve anomali tespiti konusunda yüksek başarı göstermiştir. Yapılan çalışma sonucunda bitki hastalıkların erken tespiti ile minimum zirai ilaçlama ile maliyet düşürücü tedbirler en üst seviyede alınabilecek insan ve çevre maksimum seviyede korunmuş olacaktır.

Anahtar Kelimeler

Bitki Hastalıkları, Erken Tespit, Toprak Sensörleri, LSTM, Salatalık

CROP DISEASES USING AGRICULTURAL SENSOR DATA LSTM-BASED DEEP LEARNING MODEL FOR EARLY DETECTION

Öz

Reliable and timely identification of plant diseases is a crucial challenge in modern agriculture. Traditional methods rely on manual observation of visible symptoms. Visible symptoms tend to appear in the middle or late stages of infection, which increases the likelihood of spread or yield reduction. Once plant diseases become visibly detectable, the infection has already occurred, and it may be too late for effective treatment. Therefore, cost-effective solutions are needed to detect plant diseases before they become visually apparent. This study aims to detect the effects of viruses on cucumber plants grown in greenhouses at an early stage using deep learning and artificial intelligence applications For this purpose, an LSTM-based deep learning model for early detection of plant diseases is proposed. To collect data for the model, climate chambers housing both diseased and healthy plants were established, and temporal data were gathered from cucumber plants using soil sensors. During the data preparation process, steps such as data cleaning, feature extraction, and labeling were performed. After the training phase, the model can analyze time-series data from agricultural sensors to detect anomalies, identifying diseased plants before visual symptoms appear. Metrics such as accuracy, classification report and confusion matrix were used to evaluate the performance of the model. The results obtained are quite successful; the model achieved 99.95% accuracy and showed high success in anomaly detection. As a result of the study, with the early detection of plant diseases, cost-reducing measures can be taken at the highest level with minimum pesticides, and humans and the environment will be protected at the maximum level.

Anahtar Kelimeler

Plant Diseases, Early Detection, Agricultural Sensors, LSTM, Cucumber

Destekleyen Kurum

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)

Proje Numarası

123O928

Teşekkür

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından 123O928 Numaralı proje ile desteklenmiştir. Projeye verdiği destekten ötürü TÜBİTAK’a teşekkürlerimizi sunarız.

Kaynakça

Abade, A., Ferreira, P. A. ve Vidal, F. B. (2021). Plant diseases recognition on images using convolutional neural networks: A systematic review. Computers and Electronics in Agriculture, 185, 106125. doi: https://doi.org/10.1016/j.compag.2021.106125
Abdu, A. M., Mokji, M. M. ve Sheikh, U. U. (2020). Machine learning for plant disease detection: An investigative comparison between support vector machine and deep learning. IAES International Journal of Artificial Intelligence (IJ-AI), 9(4), 670-683. doi: https://doi.org/10.11591/ijai.v9.i4.pp670-683
Akbaş, B. (2019). Bitki sağlığının sürdürülebilir tarımdaki yeri. Ziraat Mühendisliği (368), 6-13. doi: https://doi.org/10.33724/zm.606199
Ashwini, C. ve Sellam, V. (2024). An optimal model for identification and classification of corn leaf disease using hybrid 3D-CNN and LSTM. Biomedical Signal Processing and Control, 92, 106089, ISSN 1746-8094. doi: https://doi.org/10.1016/j.bspc.2024.106089
Barbedo, J. G. A. (2016). A review on the main challenges in automatic plant disease identification based on visible range images. Biosystems Engineering, 144, 52-60. doi: https://doi.org/10.1016/j.biosystemseng.2016.01.017
Bischoff, V., Farias, K., Menzen, J. P. ve Pessin, G. (2021). Technological support for detection and prediction of plant diseases: A systematic mapping study. Computers and Electronics in Agriculture, 181, 105922. doi: https://doi.org/10.1016/j.compag.2020.105922
Chin, P.-W., Ng, K.-W. ve Palanichamy, N. (2024). Plant disease detection and classification using deep learning methods: A comparison study. Journal of Informatics and Web Engineering, 3(1), 156-167. doi: https://doi.org/10.33093/jiwe.2024.3.1.10
Cohen, B., Edan, Y., Levi, A. ve Alchanatis, V. (2022). Early detection of grapevine (vitis vinifera) downy mildew (peronospora) and diurnal variations using thermal imaging. Sensors 22, 3585. doi: https://doi.org/10.3390/s22093585
Dyussembayev, K., Sambasivam, P., Bar, I., Brownlie, J. C., Shiddiky, M. J. A. ve Ford, R. (2021). Biosensor technologies for early detection and quantification of plant pathogens. Frontiers in Chemistry. doi: https://doi.org/10.3389/fchem.2021.636245
Gao, R., Wang, R., Lu, F., Li, Q. ve Wu, H. (2021). Dual-branch, efficient, channel attention-based crop disease identification. Computers and Electronics in Agriculture 190, 106410. doi: https://doi.org/10.1016/j.compag.2021.106410

Ferentinos, K. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311-318. doi: https://doi.org/10.1016/j.compag.2018.01.009
Fischer, T. ve Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654-669. doi: https://doi.org/10.1016/j.ejor.2017.11.054
Kelman, A., Pelczar, M. J., Pelczar, R. M. ve Shurtleff, M. C. (2023, December 28). Plant disease. Encyclopedia Britannica. Erişim adresi: https://www.britannica.com/science/plant-disease.
Lipton, Z. C., Kale, D. C., Elkan, C. ve Wetzel, R. (2015). Learning to diagnose with LSTM recurrent neural networks. arXiv Preprint arXiv:1511.03677. doi: https://doi.org/10.48550/arXiv.1511.03677
Lu, Y., Chen, D., Olaniyi, E. ve Huang, Y. (2022). Generative adversarial networks (gans) for image augmentation in agriculture: A systematic review. Computers and Electronics in Agriculture 200, 107208. doi: https://doi.org/10.1016/j.compag.2022.107208
Jackulin, C. ve Murugavalli, S. (2022). A comprehensive review on detection of plant disease using machine learning and deep learning approaches. Measurement: Sensors, 24, 100441, ISSN 2665-9174. doi: https://doi.org/10.1016/j.measen.2022.100441
Mohanty, S. P., Hughes, D. P. ve Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419. doi: https://doi.org/10.3389/fpls.2016.01419
Nguyen, C., Sagan V., Maimaitiyiming, M., Maimaitijiang, M., Bhadra, S. ve Kwasniewski, M. (2021). Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors, 21, 742. doi: https://doi.org/10.3390/s21030742
Patel, P. (2021). A review on plant disease diagnosis through biosensor. International Journal of Biosensors and Bioelectronics, 7, 50-52. doi: https://doi.org/10.15406/ijbsbe.2021.07.00212
Radovanović, D. ve Đukanovic, S. (2020), Image-based plant disease detection: a comparison of deep learning and classical machine learning algorithms, 24th International Conference on Information Technology (IT), Zabljak, Montenegro, 2020, 1-4. doi: https://doi.org/10.1109/IT48810.2020.9070664
Sharma, V., Tripathi, A.K. ve Mittal, H., (2022). Technological revolutions in smart farming: current trends, challenges and future directions. Computers and Electronics in Agriculture 201, 107217. doi: https://doi.org/10.1016/j.compag.2022.107217
Shin, J., Chang, Y. K., Heung, B., Nguyen-Quang, T., Price, G. W. ve Al-Mallahi, A. (2021). A deep learning approach for RGB image-based powdery mildew disease detection on strawberry leaves. Computers and Electronics in Agriculture 183, 106042. doi: https://doi.org/10.1016/j.compag.2021.106042
Smetanin, A., Uzhinskiy, A., Ososkov, G., Goncharov, P. ve Nechaevskiy, A. (2021). Deep learning methods for the plant disease detection platform. AIP Conference Proceedings, 2377, 060006. doi: https://doi.org/10.1063/5.0068797
Sutskever, I., Vinyals, O. ve Le, Q. V. (2014). Sequence to sequence learning with neural networks. Advances in Neural Information Processing Systems, 27. doi: https://doi.org/10.48550/arXiv.1409.3215
Terentev, A., Dolzhenko, V., Fedotov, A. ve Eremenko, D. (2022). Current state of hyperspectral remote sensing for early plant disease detection: A review. Sensors 22, 757. doi: https://doi.org/10.3390/s22030757
Thakur, P.S., Khanna, P., Sheorey, T. ve Ojha, A. (2022). Trends in vision-based machine learning techniques for plant disease identification: A systematic review. Expert Syst Appl 208, 118117. doi: https://doi.org/10.1016/j.eswa.2022.118117
Thomas, V., Maria, B., Patricia, G., Guillem, S., Isabel, T., Iker, A., Shawn, K. ve Araus, J. (2024). Comparing high-cost and lower-cost remote sensing tools for detecting pre-symptomatic downy mildew (Pseudoperonospora cubensis) infections in cucumbers. Computers and Electronics in Agriculture, 218, 108736. doi: https://doi.org/10.1016/j.compag.2024.108736

Ayrıntılar

Birincil Dil

Türkçe

Konular

Yazılım Mühendisliği (Diğer)

Bölüm

Araştırma Makalesi

Yazarlar

Elif Genç ^*
0009-0008-0889-9192
Türkiye

Cem Bağlum
0000-0001-9072-3664
Türkiye

Osman Çağlar
0009-0000-2837-0861
Türkiye

Yusuf Kartal
0000-0002-0402-1701
Türkiye

Erol Seke
0000-0002-4860-7130
Türkiye

Kemal Özkan
0000-0003-2252-2128
Türkiye

Erken Görünüm Tarihi

16 Nisan 2025

Yayımlanma Tarihi

24 Nisan 2025

Gönderilme Tarihi

6 Ağustos 2024

Kabul Tarihi

5 Mart 2025

Yayımlandığı Sayı

Yıl 2025 Cilt: 33 Sayı: 1

DOI

https://doi.org/10.31796/ogummf.1529025

IZ

https://izlik.org/JA29CE78KH

APA

Genç, E., Bağlum, C., Çağlar, O., Kartal, Y., Seke, E., & Özkan, K. (2025). TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 33(1), 1712-1720. https://doi.org/10.31796/ogummf.1529025

AMA

1.Genç E, Bağlum C, Çağlar O, Kartal Y, Seke E, Özkan K. TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ. ESOGÜ Müh Mim Fak Derg. 2025;33(1):1712-1720. doi:10.31796/ogummf.1529025

Chicago

Genç, Elif, Cem Bağlum, Osman Çağlar, Yusuf Kartal, Erol Seke, ve Kemal Özkan. 2025. “TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ”. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi 33 (1): 1712-20. https://doi.org/10.31796/ogummf.1529025.

EndNote

Genç E, Bağlum C, Çağlar O, Kartal Y, Seke E, Özkan K (01 Nisan 2025) TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi 33 1 1712–1720.

IEEE

[1]E. Genç, C. Bağlum, O. Çağlar, Y. Kartal, E. Seke, ve K. Özkan, “TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ”, ESOGÜ Müh Mim Fak Derg, c. 33, sy 1, ss. 1712–1720, Nis. 2025, doi: 10.31796/ogummf.1529025.

ISNAD

Genç, Elif - Bağlum, Cem - Çağlar, Osman - Kartal, Yusuf - Seke, Erol - Özkan, Kemal. “TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ”. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi 33/1 (01 Nisan 2025): 1712-1720. https://doi.org/10.31796/ogummf.1529025.

JAMA

1.Genç E, Bağlum C, Çağlar O, Kartal Y, Seke E, Özkan K. TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ. ESOGÜ Müh Mim Fak Derg. 2025;33:1712–1720.

MLA

Genç, Elif, vd. “TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ”. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, c. 33, sy 1, Nisan 2025, ss. 1712-20, doi:10.31796/ogummf.1529025.

Vancouver

1.Elif Genç, Cem Bağlum, Osman Çağlar, Yusuf Kartal, Erol Seke, Kemal Özkan. TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ. ESOGÜ Müh Mim Fak Derg. 01 Nisan 2025;33(1):1712-20. doi:10.31796/ogummf.1529025

TARIMSAL SENSÖR VERİLERİ KULLANILARAK BİTKİ HASTALIKLARININ ERKEN TESPİTİ İÇİN LSTM TABANLI DERİN ÖĞRENME MODELİ

Öz

Anahtar Kelimeler

CROP DISEASES USING AGRICULTURAL SENSOR DATA LSTM-BASED DEEP LEARNING MODEL FOR EARLY DETECTION

Öz

Anahtar Kelimeler

Destekleyen Kurum

Proje Numarası

Teşekkür

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Erken Görünüm Tarihi

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster