Kiraz yapraklarında hastalık tespitinde transfer öğrenme yöntemlerinin kıyaslanması

Abstract

Bu çalışma, veri setindeki hastalıklı ve sağlıklı yaprakların tespiti için öğrenme temelli transfer yaklaşımlarına katkıda bulunmayı amaçlamaktadır. Bitki hastalıklarının zamanında ve doğru tespiti, tarımsal üretimdeki en önemli endişelerden biridir. Kiraz yaprak hastalıkları ürün kalitesini doğrudan etkiler. Hastalıkların erken teşhisi ve tedavisi ve etkili kontrol önlemleri verimliliği artırır. Yaprakları etkileyen hastalıklar aynı zamanda dalları ve meyveleri de etkiler. Hastalıklı yapraklara sahip bitkiler daha yavaş büyür ve bu da daha küçük ve daha düşük kaliteli meyvelerle sonuçlanır. Kiraz yetiştiriciliği Türkiye'de önemli bir tarımsal faaliyettir. Kiraz yaprağı hastalıklarının tespiti için derin öğrenme teknikleri kullanılarak tarım ekonomisine katkı sağlanabilir. Çiftçiler, hastalık yönetiminde kullanılan kimyasalların kullanımını azaltabilir, böylece kimyasalların doğal çevre üzerindeki olumsuz etkilerini en aza indirebilir. Bu çalışmadaki deneylerde PlantVillage veri setinden kiraz yaprağı örnekleri kullanılmıştır. AlexNet, VGG-16, MobileNet-V2, ResNet-50 ve Inception-V3 dahil olmak üzere transfer öğrenme teknikleri doğruluk, kesinlik, geri çağırma ve F1 puanı gibi performans ölçütleri kullanılarak karşılaştırıldı. MobileNet-V2, %99 doğruluk oranı, %18 kayıp oranı, %99 kesinlik oranı ve %99 geri çağırma oranı ile başarı oranı en yüksek model olarak belirlendi.

This study aims to contribute to transfer learning-based approaches for detecting diseased and healthy leaves in the dataset. Timely and accurate detection of plant diseases is one of the key concerns in agricultural production. Cherry leaf diseases directly impact the quality of the product. Early diagnosis and treatment of diseases and effective control measures enhance productivity. Diseases affecting the leaves also have implications for the branches and fruits. Plants with diseased leaves exhibit slower growth, resulting in smaller and lower-quality fruits. Cherry cultivation is an important agricultural activity in Turkey. By utilizing deep learning techniques to detect cherry leaf diseases, contributions can be made to the agricultural economy. Farmers can reduce the use of chemicals used in disease management, thereby minimizing the adverse effects of chemicals on the natural environment. The experiments in this study utilized cherry leaf samples from the PlantVillage dataset. Transfer learning techniques, including AlexNet, VGG-16, MobileNet-V2, ResNet-50, and Inception-V3, were compared using performance metrics such as accuracy, precision, recall, and F1 score. MobileNet-V2 was identified as the model with the highest success rate, achieving an accuracy rate of 99%, a loss rate of 18%, a precision rate of 99%, and a recall rate of 99%.