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

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.

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.