Classification of Plant Pest Grasshopper Species by Convolutional Neural Network Architectures and Transfer Learning-Reference-Cited by-同舟云学术

Classification of Plant Pest Grasshopper Species by Convolutional Neural Network Architectures and Transfer Learning

Published:2023-03-28 Issue:1 Volume:35 Page:321-331
ISSN:1308-9072
Container-title:Fırat Üniversitesi Mühendislik Bilimleri Dergisi
language:
Short-container-title:

Author:

ŞAHİN Nurullah¹^ORCID,ALPASLAN Nuh²^ORCID,İLÇİN Mustafa³^ORCID,HANBAY Davut¹^ORCID

Affiliation:

1. İNÖNÜ ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

2. BİNGÖL ÜNİVERSİTESİ, MÜHENDİSLİK-MİMARLIK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

3. BİNGÖL ÜNİVERSİTESİ, ZİRAAT FAKÜLTESİ, BİTKİ KORUMA BÖLÜMÜ

Abstract

Çekirgeler, mahsullere zarar vererek her yıl milyonlarca ton gıdanın yok olmasına neden olmaktadır. Etkili ve doğru çekirge tanımlama sistemlerinin geliştirilmesi, çekirge türlerinin kontrol altına alınması ve gıda kaybının önlenmesinde kritik öneme sahiptir. Bu çalışmada, ülkemizin ve dünyanın çeşitli yerlerinde görülen 11 farklı bitki zararlısı çekirge türü çeşitli evrişimsel sinir ağı modelleri kullanılarak sınıflandırılmıştır. Çalışmada kullanılan veri seti ülkemizin Doğu ve Güneydoğu Anadolu bölgesinde gözlemlenerek elde edilmiştir. Bu çalışmanın en büyük yeniliği, ülkemizde bulunan 11 farklı bitki zararlısı çekirge türüne ait GHCD11 adında yeni bir veri setinin oluşturulmuş olmasıdır. Bunun yanında, çalışmada 11 farklı bitki zararlısı çekirge türünün otomatik olarak sınıflandırılması için Keras kütüphanesinde bulunan ve görüntü sınıflandırmasında yaygın olarak kullanılan VGG16, VGG19, ResNet50, DenseNet121, EfficientNet, MobileNet kullanılmıştır. Öğrenme aktarımı ile GHCD11 veri seti üzerinde yapılan deneysel çalışmalar sonucunda, %95 ile %99 aralığında kayda değer sınıflandırma doğrulukları elde edilmiştir. Çalışma yeni bir veri seti sunmasının yanı sıra, bitki zararlısı çekirge türlerinin evrişimsel sinir ağı mimarileri ile otomatik tanı ve tespitinin yüksek başarım ile yapılabileceğini göstermesi açısından önem arz etmektedir.

Publisher

Firat Universitesi

Subject

General Medicine

Reference33 articles.

1. E. Ayan, H. Erbay, and F. Varçın, “Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks,” Comput. Electron. Agric., vol. 179, Dec. 2020, doi: 10.1016/j.compag.2020.105809.

2. P. Gullan, P., Cranston, The insects: an outline of entomology., vol. 21, no. 9. 2014.

3. L. Zhang, M. Lecoq, A. Latchininsky, and D. Hunter, “Locust and Grasshopper Management,” 2018, doi: 10.1146/annurev-ento-011118.

4. C. Xie et al., “Multi-level learning features for automatic classification of field crop pests,” Comput. Electron. Agric., vol. 152, no. October 2016, pp. 233–241, 2018, doi: 10.1016/j.compag.2018.07.014.

5. M. Martineau, D. Conte, R. Raveaux, I. Arnault, D. Munier, and G. Venturini, “A survey on image-based insect classification,” Pattern Recognit., vol. 65, pp. 273–284, 2017, doi: 10.1016/j.patcog.2016.12.020.