Abstract
Domates, yaşadığımız coğrafya ve dünyanın birçok yerinde üretimi yapılan ve en çok tüketilen önemli sebze türlerindendir. Domates üretiminde verim ve kaliteyi olumsuz yönde etkileyen en önemli faktörlerin başında zararlı organizma olarak adlandırılan hastalık gelmektedir. Domates, çevresel ve iklim faktörlerine bağlı olarak ekim sürecinin her aşamasında birçok hastalığa yakalanabilir. Bitki hastalıklarında yapılması gereken ilk şey hastalığın doğru tespit edilmesi ve gereken önlemlerin alınmasıdır. Bu çalışmada 9 hastalıklı ve 1 sağlıklı sınıftan oluşan toplam 18.160 domates yaprağı görüntüsü bulunan veri seti kullanılmıştır (Kaggle, 2021).Genel erişime açık Kaggle domates yaprağı hastalığı veri seti üzerinde deneysel sonuçlar elde edilmiştir. Analizler yapılırken veri seti, %80 eğitim ve %20 test verisi olarak ayrılmıştır. Çalışmada, Evrişimli Sinir Ağı (CNN) tabanlı DenseNet-201, ResNet-101 ve ShuffleNet modelleri kullanılarak domates yaprağı görüntülerinden 3000 adet öznitelik çıkarılmıştır. Bu çalışmada öznitelik sayısını düşürmek için Temel Bileşen Analizi (PCA) kullanılarak boyut indirgeme yapılmıştır. Domates yaprağındaki hastalıkları sınıflandırmak amacıyla Destek-Vektör Makinaları (SVM) algoritması kullanılmıştır. Eğitilen ağ mimarileri tek tek incelenmiştir. Bu incelemeler sonucunda mimarilerin doğruluk oranları AlexNet, DenseNet-201, GoogleNet, MobileNet, ResNet-101 ve ShuffleNet için sırası ile %93.5, %97.1, %91.0, %94.5, %97.4 ve %96.6 bulunmuştur. Yapılan analizlerden sonra doğruluk oranı yüksek olan DenseNet-201, ResNet-101 ve ShuffleNet ön eğitimli ağ mimarileri birleştirilerek ve Temel Bileşen Analizi (PCA) kullanılarak boyut indirgeme yapılmıştır. Bu çalışmada yapılan sınıflandırma analizlerine göre en iyi performans gösteren Cubic SVM sınıflandırıcı ve One-vs-All Çok Sınıflı bileşen metodu ile %99.2 doğruluk oranına ulaşılmıştır. Literatür incelemeleri sonucunda domates yaprağı hastalık tespiti için bu çalışmanın etkili ve yüksek bir performans gösterdiği sonucuna ulaşılmıştır.
Publisher
European Journal of Science and Technology
Subject
General Earth and Planetary Sciences,General Environmental Science
Reference32 articles.
1. Acikgoz, H. (2022). A novel approach based on integration of convolutional neural networks and deep feature selection for short-term solar radiation forecasting. Applied Energy, (305). doi:https://doi.org/10.1016/j.apenergy.2021.117912.
2. Agarwal, M., Singh, A., Arjaria, S., Sinha, A., & Gupta, S. (2020). ToLeD: Tomato leaf disease detection using convolution neural network. Procedia Computer Science, 167, 293-301.
3. Ahlawat, S., & Choudhary, A. (2020). Hybrid CNN-SVM classifier for handwritten digit recognition. Procedia Computer Science, 167, 2554-2560.
4. Al-Amin, M., Karim, D. Z., & Bushra, T. A. (2019, December). Prediction of rice disease from leaves using deep convolution neural network towards a digital agricultural system. In 2019 22nd International Conference on
Computer and Information Technology (ICCIT) (pp. 1-5). IEEE.
5. Arivazhagan, S., Shebiah, R. N., Ananthi, S. N., & Varthini, S. V. (2013). Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features. Agricultural Engineering International: The CIGR Journal, 15, 211–217.
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献