Disease Detection on Apple Leaves Using Transfer öğrenme Models

Abstract

In this study, the aim is to diagnose diseases on apple tree leaves using transfer öğrenme methods. As in many fields, efficiency is highly important in agriculture. One of the key factors in maintaining high efficiency is combating plant diseases. Early detection of diseases makes this struggle easier. Diseases such as 'black rot,' 'cedar apple rust,' and 'apple scab,' which are commonly seen in apple trees, can be diagnosed from leaf images with expert support. In this study, artificial intelligence models were used to diagnose these diseases using the PlantVillage dataset. Xception and InceptionV3 transfer öğrenme methods were employed, and the models were examined by comparing them with popular metrics. An accuracy rate of 99.84% was achieved with the Xception model, while the InceptionV3 model reached an accuracy rate of 98.58%.

Bu çalışmada elma ağacı yapraklarının görüntüleri üzerinde transfer öğrenme yöntemleri kullanılarak hastalıkların teşhis edilebilmesi amaçlanmıştır. Birçok alanda olduğu gibi tarım alanında da verimlilik oldukça önemlidir Verimliliği yüksek tutmanın önemli unsurlarından biri bitki hastalıklarıyla mücadele etmektir. Hastalıklarla mücadele edebilmek için hastalığın erken teşhis edilmesi, bu mücadeleyi kolaylaştırmaktadır. Elma ağaçlarında sıklıkla görülen “kara çürüklük”, “sedir elma pası” ve “elma kabuğu uyuz” hastalıkları için yaprak görüntülerinden uzman desteğiyle teşhis yapılabilmektedir. Bu çalışmada PlantVillage veri seti kullanılarak bu hastalıkların teşhisi için yapay zeka modelleri kullanılmıştır. Çalışmada Xception ve InceptionV3 transfer öğrenme yöntemleri kullanılarak, modeller popüler metrikler ile karşılaştırılarak incelenmiştir. Xception modeli ile %99,84 doğruluk oranı elde edilirken, InceptionV3 modeli ile %98,58 doğruluk oranına ulaşmıştır.