Bitki hastalıklarının tespitinde geleneksel makine öğrenmesi ve derin öğrenme yöntemlerinin başarım karşılaştırması

Abstract

Geleneksel makine öğrenmesi (GMÖ) ve derin öğrenme (DÖ), yapay zeka alanında iki önemli yaklaşımdır. GMÖ, tahmine dayalı modeller oluşturmak için destek vektör makineleri (DVM), k-en yakın komşular, karar ağaçları gibi çeşitli algoritmalar kullanır. Bu yaklaşımda özellik çıkartımı, algoritmanın başarımını etkileyen en önemli unsurdur. GMÖ küçük veri kümelerinde başarılı sonuçlar elde ederken karmaşık veriler ve büyük ölçekli veri kümelerinde aynı başarıyı gösteremezler. Makine öğrenmesinin bir alt kümesi olan DÖ ise ham veriden hiyerarşik özellik temsillerini otomatik olarak öğrenmek için çok katmanlı sinir ağlarını kullanır. Finans, endüstri, tıp gibi alanlarda ve görüntü sınıflandırma, doğal dil işleme ve ses-tanıma işleme gibi çalışmalarda çok iyi sonuçlar elde ederken büyük miktarda veri ve hesaplama kaynağı gerektirir. Bu tez çalışması GMÖ ve DÖ modellerinin tahmin performansını karşılaştırmak amacıyla bitki hastalıklarının bilgisayar destekli teşhisini sunmaktadır. Bitki hastalıklarının tespiti, modern tarımda ürün kayıplarını en aza indirmek ve gıda güvenliğini sağlamak açısından çok önemlidir. Bitki hastalıklarının erken ve doğru bir şekilde belirlenmesi pestisit kullanımını azaltabilir, mahsul verimini artırabilir ve ürün kalitesini iyileştirebilir. Bu amaçla, çalışmada geleneksel yöntemlerden Lineer Regresyon, DVM ve Rastgele Orman ile DÖ yöntemlerinden Evrişimli Sinir Ağı, LSTM, YOLOv8 ve VGG16 algoritmalarının performansları karşılaştırılmıştır. Elde edilen sonuçlar GMÖ’de DVM için %83 ile en yüksek olmak üzere ortalama %77,9 doğruluk elde edilirken DÖ’de CNN için doğruluk en yüksek %99 ve ortalama %91,8 olarak elde edilmiştir.Traditional machine learning (TML) and deep learning (DL) are two important approaches in artificial intelligence. To build predictive models, TML uses algorithm such as support vector machines (SVMs), k-nearest neighbors and decision trees. In this approach, feature extraction is the most important process that affects the algorithm's performance. While TML achieves successful results in small datasets, it struggles to show the same success in complex data and large-scale datasets. DL, a subset of machine learning, uses multilayer neural networks to automatically learn hierarchical feature representations from raw data. While it achieves very good results in fields such as finance, industry, medicine, and in studies such as image classification, natural language processing, and voice recognition-processing, it requires a large amount of data and computational resources. This study presents a computer-aided diagnosis of plant diseases to compare the predictive performance of TML and DL. Plants are a source of food and life of great importance for humans and other living things. Detection of plant diseases is very important in modern agriculture to minimize product losses and ensure food safety. Early and accurate identification of plant diseases can reduce pesticide use, increase crop yields and improve product quality. For this purpose, the performance of traditional methods such as LR, SVM, and RF was compared DL methods such as convolutional neural network (CNN), LSTM, YOLOv8 and VGG16 algorithms. The results were obtained as an average accuracy of 77,9%, with the highest being 83% for SVM in TML, and an average accuracy of 91,8%, with the highest being 99% for CNN in DL.