Derin evrişimli yapay sinir ağı kullanarak meyve yaprağı hastalık tespiti

Abstract

Zirai üretimde bitki hastalıklarının hızlı bir şekilde tanınmasını sağlayacak ve kimyevi haşere ilaçlarının kullanımında karar verme sürecini hızlandıracak otonom bir tespit sistemi ortaya koymak önemlidir. Birçok ülke otonom sistemlerin araştırılması üzerine yatırım yapmakta ve pek çok AR-GE çalışmasını geliştirmektedir. Bu kapsamda ülkemizde de Tarımsal İzleme ve Bilgi Sistemi (TARBİL) kapsamında tarım eko-sisteminde verimlilik ve akıllı tarım uygulamaları desteklenmeye başlanmıştır. Bu tezde açık bir kaynaktan alınan, görüntü çevirme, gama düzeltme, gürültü ekleme, PCA renk genişletme, döndürme ve ölçeklendirme olarak altı farklı veri genişletme tekniği ile oluşturulmuş, 14 farklı bitki yaprağına ait 38 çeşit hastalıklı ve sağlıklı “New Plant Disease” isimli yeni bir veri seti kullanılmıştır. Veri setindeki yaklaşık 83.107 görüntü için bitki yaprağı hastalık tespiti sınıflandırması yapan 6 katmanlı yeni bir Derin Evrişimsel Sinir Ağları (CNN) mimarisi oluşturulmuştur. Oluşturulan bu yeni modelle bitki yaprağı hastalığı sınıflandırma probleminin performansı iki şekilde incelenmiştir. Birinci olarak, veri setinde en yüksek sayıda veriye sahip 4 çeşit bitki yaprağına ait veriler ele alınıp modelin performansı incelenmiştir. İkinci olarak tüm veri seti için modelin performansı incelenmiştir. Elde edilen sonuçlar tezde verilmiştir. Ayrıca tüm veri seti için GoogLeNet, ResNet50, Vgg-19, Vgg-16, DenseNet gibi transfer öğrenme mimarileri kullanılmış ve performansları incelenerek sonuçları verilmiştir.

It is important to establish an autonomous detection system that will enable rapid recognition of plant diseases in agricultural production and will accelerate decision-making in the use of chemical pest drugs. Many countries are investing in the research of autonomous systems and developing many R&D studies. In our country, efficiency and smart agricultural practices in the agricultural ecosystem have been started to be supported as part of the Agricultural Monitoring and Information System (TARBİL). In this thesis, from an open source, image flipping, gamma correction, adding noise, PCA color expansion, A new dataset called "New Plant disease", 38 types of diseased and healthy, of 14 different plant leaves, was created with six different data expansion techniques as rotation and scaling. A 6-Layer Deep Convolutional Neural Network (CNN) architecture has been created for approximately 83.107 images in the dataset that detect plant leaf disease. With this new model, the performance of the plant leaf disease classification problem has been examined in two ways. First of all, the data set has 4 varieties of plant leaves with the highest number of data and examined the performance of the model. Secondly, the performance of the model has been reviewed for the entire dataset. The results obtained are given on the thesis. In addition, Transfer Learning architectures such as GoogLeNet, ResNet50, Vgg-19, Vgg-16, DenseNet have been used for the entire dataset and their performance has been reviewed.