Derin öğrenme yöntemleri ile asma yaprak hastalıklarının sınıflandırılması

Abstract

Asma yaprağı, insanlık için önemli bir besin kaynağıdır. Taze tüketiminin yanı sıra, bu bitki geniş bir ürün çeşitliliği sağlar. Dünya genelinde yaygın olarak yetiştirilen bu bitki ekonomik değere sahiptir. Asma yapraklarını etkileyen hastalıklar, hem meyveye hem de yapraklara zarar vererek önemli maddi kayıplara neden olabilir. Salamura asma yaprağına olan artan talep, bağcılıkta yeni bir üretim modeline yol açmaktadır. Bol ve yüksek kaliteli ürün elde etmek için bağlarda farklı kültürel yöntemlerin uygulanması aynı zamanda hastalıkların erken teşhis edilmesi ve gerekli önlemlerin alınması çok önemlidir. Gelişen teknolojiyle ortaya çıkan görüntü işleme yöntemi, tarımsal faaliyetlerde bitki hastalıklarının doğru ve hızlı bir şekilde tanımlanmasını sağlar. Bugün, yapay zeka ve görüntü işleme uygulamalarının tarımda kullanımının artması, bu alandaki sorunlara çözümler sunmakta ve bugüne kadar kullanılan yöntemlere alternatifler yaratmaktadır. Son yıllarda, bitki teşhis sistemleri, tür tanımlama, verim ve hastalık gibi sorunların çözümünde başarıyla kullanılmaktadır. Bu çalışmanın amacı, konvolüsyonel sinir ağları kullanarak asma yapraklarını hastalıklı ve sağlıklı yapraklar olarak sınıflandırmak ve tanımlamaktır. Colomerus vitis (bağ uyuzu) ve Plasmopara viticola (mildiyö) enfekte yapraklar ile sağlıklı asma yaprakları, önceden eğitilmiş derin öğrenme modelleri VGG16, VGG19, InceptionV3, Xception, MobilNet ve DenseNet201 kullanılarak sınıflandırıldı. Analiz, VGG16 modeliyle %95,33; VGG19 modeliyle %98,00; InceptionV3 modeliyle %96,67; Xception modeliyle %94,67; MobileNet modeliyle %96,00 ve DenseNet201 modeliyle ise %96,67 sınıflandırma doğruluğu gösterdi. En yüksek sınıflandırma başarısı VGG19 modeli ile elde edilmiştir. Modellerin performansı doğruluk, duyarlılık, kesinlik ve F-1 skor metrikleri aracılığıyla değerlendirildi. Elde edilen sonuçlar, bu yöntemlerin asma yaprak hastalık türlerinin belirlenmesinde başarıyla kullanılabileceğini ortaya koymaktadır. Ayrıca bu çalışmanın literatüre temel katkısı, bağ uyuzu ve mildiyö hastalıkları ile sağlıklı olmak üzere üç farklı sınıf için narince üzüm çeşidine ait asma yapraklarından oluşan yeni bir veri seti oluşturulmasıdır.

Vine leaves are an important food source for humanity. Besides its fresh consumption, this plant provides a wide variety of products. This plant, which is widely grown throughout the world, has economic value. Diseases affecting vine leaves can cause significant financial losses by damaging both the fruit and the leaves. The increasing demand for pickled vine leaves leads to a new production model in viticulture. In order to obtain abundant and high-quality products, it is very important to apply different cultural methods in the vineyards, as well as to diagnose diseases early and take the necessary precautions. The image processing method that emerged with developing technology enables accurate and rapid identification of plant diseases in agricultural activities. Today, the increasing use of artificial intelligence and image processing applications in agriculture offers solutions to problems in this field and creates alternatives to the methods used to date. In recent years, plant identification systems have been successfully used to solve problems such as species identification, yield and disease. The aim of this study is to classify and identify grape leaves as diseased and healthy leaves using convolutional neural networks. Colomerus vitis (vine scab) and Plasmopara viticola (downy mildew) infected leaves and healthy grapevine leaves were classified using pre-trained deep learning models VGG16, VGG19, InceptionV3, Xception, MobilNet and DenseNet201. Analysis, 95.33% with VGG16 model; 98.00% with VGG19 model; 96.67% with InceptionV3 model; 94.67% with Xception model; It showed 96.00% classification accuracy with the MobileNet model and 96.67% with the DenseNet201 model. The highest classification success was achieved with the VGG19 model. The performance of the models was evaluated through accuracy, sensitivity, precision, and F-1 score metrics. The results obtained reveal that these methods can be used successfully in determining grapevine leaf disease types. In addition, the main contribution of this study to the literature is the creation of a new data set consisting of grape leaves of Narince grape variety for three different classes: vineyard scab and downy mildew diseases and healthy ones.