Ceviz hastalıklarının derin öğrenme ile sınıflandırılması

Abstract

Ceviz, ülkemizde hem gıda hem de ağaç endüstrisi için yetiştirilen önemli bir bitkidir. Cevizde çeşitli çevresel faktörlerin de etkisiyle bazı hastalıklar ve mineral eksiklikleri ortaya çıkabilmektedir. Bu hastalıklar ve mineral eksiklikleri, ceviz yapraklarında farklı şekillerde kendini göstermektedir. Ceviz üreticileri, ceviz verimliliğini doğrudan etkileyen birtakım hastalıklar ve beslenme yetersizlikleri ile mücadele etmek için yeni nesil teknolojilerden yardım almaktadırlar. Son yıllarda birçok sektörde olduğu gibi tarım sektöründe de çeşitli problemlerin çözümünde derin öğrenme yöntemleri kullanılmaktadır. Bu çalışmada, ceviz yapraklarında görülen ceviz antraknozu ve vitamin yetersizliklerinin tespiti ve sınıflandırılması için Faster R-CNN modeli geliştirilmiştir. Geliştirilen model için biri sağlıklı, diğer üçü hastalıkları içeren dört sınıftan oluşturulan veri seti kullanılmıştır. Geliştirilen model, GoogleNet, AlexNet ve SqueezeNet gibi bazı ön eğitimli derin öğrenme modelleri ile de test edilerek sınıflandırma başarısı irdelenmiştir. Her bir CNN model için Adam ve SGDM optimizasyon algoritmaları ile farklı iterasyon sayılarının sınıflandırma başarısına etkisi incelenmiştir. Modellerin hassasiyet (precision), doğruluk (accuracy), F1 skoru ve hatırlama (recall) gibi metrik değerleri hesaplanarak tutarlılıkları değerlendirilmiştir. Çalışmada geliştirilen Faster RCNN modelinin sınıflandırmada ki doğruluğu %98,28 olarak bulunmuştur.

Walnut is an important plant grown for both food and wood industry in our country. Some diseases and mineral deficiencies may occur in walnut with the effect of various environmental factors. These diseases and mineral deficiencies manifest themselves in different ways in walnut leaves. Walnut producers are getting help from new generation technologies to combat some diseases and nutritional deficiencies that directly affect walnut productivity. In recent years, deep learning methods have been used to solve various problems in the agricultural sector as in many sectors. In this study, Faster R-CNN model was developed for the detection and classification of walnut anthracnose and vitamin deficiencies in walnut leaves. For the developed model, a dataset consisting of four classes, one of which is healthy and the other three are diseases, was used. The developed model was also tested with some pre-trained deep learning models such as GoogleNet, AlexNet and SqueezeNet and its classification success was analysed. For each CNN model, the effect of different iteration numbers on classification success was examined with Adam and SGDM optimisation algorithms. Metric values such as accuracy, precision, recall and F1 score of the models were calculated and their consistency was evaluated. The classification accuracy of the Faster R-CNN model developed in the study was found to be 98.28%.