Derin Evrişimli Sinir Ağları Kullanılarak Pirinç Hastalıklarının Sınıflandırılması

Abstract

Çeltik, temel bir gıda kaynağıdır ve endüstride sıkça kullanılan nadir bitkilerden biridir. Çeltik yaprak hastalıklarının erken teşhisi, ekin hasarını en aza indirmek için büyük önem taşımaktadır. Son yıllarda, derin öğrenme tabanlı bilgisayar destekli sistemler, ziraat sektöründe oldukça önem kazanmış ve çeşitli uygulamalarda etkin rol almıştır. Bu sistemler, hastalıkların erken teşhis edilmesine yardımcı olmakla kalmayıp, aynı zamanda tarım alanında çalışanlara da ikincil bir yardımcı olarak katkı sağlamaktadır. Bu çalışma, çeltik yapraklarında bulunan hastalıkların erken teşhisinde derin öğrenme yöntemlerinin etkinliğini araştırmayı amaçlamaktadır. Bu amaç doğrultusunda, VGG, ResNet, DenseNet, EfficientNet, Inception ve Xception gibi en popüler evrişimsel sinir ağları (CNN), halka açık Paddy Doctor veri seti üzerinde değerlendirilmiştir. Her bir modele, veri ön işleme, veri artırma, hiper-parametre optimizasyonu ve öğrenme aktarımı gibi güncel teknikler uygulanarak test setindeki teşhis doğruluğunun başarımı arttırılmıştır. Ayrıca her bir mimarideki modellerin birbirine ve diğer mimarilerdeki modellere göre çeltik yapraklarındaki hastalıkların teşhisindeki başarımları detaylı bir şekilde karşılaştırılmıştır. Deneysel sonuçlar, EfficientNetv2_Small modelinin %98.01 test doğruluğu ve %97.99 F1-skor değerleriyle tüm modellerden daha iyi performans sergilediğini ve literatürdeki diğer çalışmaları geride bıraktığını göstermiştir. Bu çalışma, CNN mimarilerinin yüksek bir performans gösterdiğini ve bu tür hastalıkların erken teşhisinde ziraat mühendislerine ve çiftçilere etkili bir şekilde yardımcı olabileceğini göstermektedir