Derin öğrenme tabanlı kiraz yapraklarında hasar tespiti

Abstract

Bu çalışmada tarımsal üretimde verim artışını sağlamak amacıyla kiraz yapraklarındaki hastalıkların tespiti için derin öğrenme yöntemlerinin kullanılması amaçlanmaktadır. Günümüzde yaprak hastalıkların tespiti uzman personel tarafından yapılabilmekte ancak uzun sürmektedir. Ayrıca, bu uzmanların sayısı yetersiz olabilir, bu da doğru tespitin zorluğuna işaret etmektedir. Bu nedenle, kiraz üretimini artırmak ve hastalıkları erken teşhis etmek için derin öğrenme temelli hastalık tespit uygulamalarının kullanımı bu çalışmanın ana amacıdır. Çalışmada iki farklı veri seti üzerinde kiraz yaprak hastalığı tespiti için farklı derin öğrenme modellerinin performansı incelenmiştir. Ortalama sonuçlara göre, MobileNet-V2 modeli %98.68 doğruluk ve %98.83 hassasiyet ile yüksek bir performans sergilemiş, Inception-V3 modeli %94.17 F1-Skor ile tatmin edici sonuçlar vermiştir. Önerilen CNN modeli %95.83 F1- Skor ile dikkat çekmiş, önerilen CNN + LSTM modeli %96.33 geri çağırma değeri ile tatmin edici sonuçlar sunmuş ve önerilen CNN + BiLSTM modeli %96.33 F1-Skor ile yüksek bir performans göstermiştir. En iyi sonuçlar kategorisinde, MobileNet-V2 modeli %99.03 doğruluk oranı ve %99.33 F1- Skor ile en iyi sonuçları vermiş, Inception-V3 modeli %94.00 doğruluk ve %94.33 hassasiyet ile tatmin edici bir performans sergilemiştir. Önerilen CNN modeli %95.66 F1-Skor ile iyi bir performans sergilemiş, önerilen CNN + LSTM modeli %96.67 doğruluk ve %96.67 F1-Skor ile en iyi sonuçları vermiş ve önerilen CNN + BiLSTM modeli %96.66 F1-Skor ile yüksek bir performans göstermiştir. Bu sonuçlar, kiraz yaprak hastalığı tespiti için derin öğrenme modellerinin umut veren sonuçlar elde ettiğini göstermektedir. Çalışma kapsamında en iyi sonuçlar MobileNet-V2 ve önerilen CNN + LSTM modelleri tarafından elde edilmiştir. Bu çalışmanın, çeşitli veri setleri kullanılarak güvenirliliği arttırılabilir, farklı derin öğrenme yöntemleri kullanılarak hastalık tespit başarım oranları yükseltilebilir ve hastalık tespit süreleri düşürülebilir.In this study, the use of deep learning methods is aimed at detecting diseases in cherry leaves to increase agricultural productivity. Currently, the detection of leaf diseases is carried out by expert personnel, but it can be time-consuming. Additionally, the number of these experts may be insufficient, indicating the difficulty of accurate detection. Therefore, the main goal of this study is to utilize deep learning-based disease detection applications to increase cherry production and diagnose diseases early. The performance of different deep learning models for cherry leaf disease detection has been investigated on two different datasets in the study. According to the average results, the MobileNet-V2 model demonstrated high performance with 98.68% accuracy and 98.83% precision, the Inception-V3 model provided satisfactory results with a 94.17% F1-Score. The proposed CNN model attracted attention with a 95.83% F1-Score, the proposed CNN + LSTM model presented satisfactory results with a 96.33% recall, and the proposed CNN + BiLSTM model exhibited high performance with a 96.33% F1-Score. In the category of best results, the MobileNet-V2 model yielded the highest results with a 99.03% accuracy rate and a 99.33% F1-Score, the Inception-V3 model showed satisfactory performance with 94.00% accuracy and 94.33% precision. The proposed CNN model demonstrated good performance with a 95.66% F1-Score, the proposed CNN + LSTM model provided the best results with 96.67% accuracy and 96.67% F1-Score, and the proposed CNN + BiLSTM model exhibited high performance with a 96.66% F1-Score. These results indicate promising outcomes for the use of deep learning models in cherry leaf disease detection. The best results in the study were obtained by the MobileNet-V2 and the proposed CNN + LSTM models. The reliability of this study can be enhanced by using various datasets, disease detection success rates can be increased by employing different deep learning methods, and disease detection times can be reduced.